Python sklearn AffinityPropagation用法及代码示例

本文简要介绍python语言中 sklearn.cluster.AffinityPropagation 的用法。

用法:

class sklearn.cluster.AffinityPropagation(*, damping=0.5, max_iter=200, convergence_iter=15, copy=True, preference=None, affinity='euclidean', verbose=False, random_state=None)

执行数据的亲和传播聚类。

在用户指南中阅读更多信息。

参数：

damping：浮点数，默认=0.5

[0.5, 1.0) 范围内的阻尼系数是当前值相对于传入值的保持程度(加权 1 - 阻尼)。这是为了避免在更新这些值(消息)时出现数值波动。

max_iter：整数，默认=200

最大迭代次数。

convergence_iter：整数，默认=15

停止收敛的估计集群数量不变的迭代次数。

copy：布尔，默认=真

制作输入数据的副本。

preference：类似数组的形状 (n_samples,) 或浮点数，默认=None

每个点的偏好 - 具有较大偏好值的点更有可能被选为样本。样本的数量，即集群的数量，受输入偏好值的影响。如果偏好不作为参数传递，它们将被设置为输入相似度的中值。

affinity：{‘euclidean’, ‘precomputed’}，默认='欧几里得'

使用哪种亲和力。目前支持‘precomputed’ 和euclidean。 ‘euclidean’ 使用点之间的负平方欧几里得距离。

verbose：布尔，默认=假

是否冗长。

random_state：int、RandomState 实例或无，默认=无

伪随机数发生器控制启动状态。使用 int 在函数调用之间获得可重现的结果。请参阅术语表。

属性：

cluster_centers_indices_：ndarray 形状 (n_clusters,)

聚类中心 index 。

cluster_centers_：ndarray 形状(n_clusters，n_features)

集群中心(如果亲和力!= precomputed)。

labels_：ndarray 形状 (n_samples,)

每个点的标签。

affinity_matrix_：ndarray 形状(n_samples，n_samples)

存储 fit 中使用的亲和度矩阵。

n_iter_：int

收敛所用的迭代次数。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

注意：

有关示例，请参见示例/集群/plot_affinity_propagation.py。

亲和传播的算法复杂度是点数的二次方。

当 fit 不收敛时，cluster_centers_ 变为空数组，所有训练样本将被标记为 -1 。此外，predict 会将每个样本标记为 -1 。

当所有训练样本具有相同的相似性和相同的偏好时，聚类中心和标签的分配取决于偏好。如果偏好小于相似度，fit 将导致单个聚类中心和每个样本的标签 0。否则，每个训练样本都会成为它自己的聚类中心，并被分配一个唯一的标签。

参考：

Brendan J. Frey 和 Delbert Dueck，“通过在数据点之间传递消息进行聚类”，科学，2007 年 2 月

例子：

>>> from sklearn.cluster import AffinityPropagation
>>> import numpy as np
>>> X = np.array([[1, 2], [1, 4], [1, 0],
...               [4, 2], [4, 4], [4, 0]])
>>> clustering = AffinityPropagation(random_state=5).fit(X)
>>> clustering
AffinityPropagation(random_state=5)
>>> clustering.labels_
array([0, 0, 0, 1, 1, 1])
>>> clustering.predict([[0, 0], [4, 4]])
array([0, 1])
>>> clustering.cluster_centers_
array([[1, 2],
       [4, 2]])