更改

==简介==

==简介==

[[File:affinitypropagation_figure_1.png|700px]]

[[File:affinitypropagation_figure_1.png|center|700px]]

affinity propagation是Frey和Dueck在2007年发表在Science上的聚类算法。从更广义的角度说，它属于message-passing algorithms的一种。原始文献见[http://www.psi.toronto.edu/affinitypropagation/FreyDueckScience07.pdf 这里]，[http://www.psi.toronto.edu/affinitypropagation/faq.html 这里]有关于AP算法的问答，包括适用的数据量大小和计算速度等细节。和k-means等它聚类算法一样，它的input是一个N * N 的similarity matrix。在这个相似性矩阵上，算法通过在数据点之间传递信息（responsibility和availability，前者决定点i有多大意愿选择k作为自己的代表examplar，后者决定k有多大意愿决定呗i选择做代表），不断修改聚类中心的数量和位置，直到整个数据的net similarity（聚类中心k自己对自己的similarity+所有节点i!=k到k的similarity）达到最大。

affinity propagation是Frey和Dueck在2007年发表在Science上的聚类算法。从更广义的角度说，它属于message-passing algorithms的一种。原始文献见[http://www.psi.toronto.edu/affinitypropagation/FreyDueckScience07.pdf 这里]，[http://www.psi.toronto.edu/affinitypropagation/faq.html 这里]有关于AP算法的问答，包括适用的数据量大小和计算速度等细节。和k-means等它聚类算法一样，它的input是一个N * N 的similarity matrix。在这个相似性矩阵上，算法通过在数据点之间传递信息（responsibility和availability，前者决定点i有多大意愿选择k作为自己的代表examplar，后者决定k有多大意愿决定呗i选择做代表），不断修改聚类中心的数量和位置，直到整个数据的net similarity（聚类中心k自己对自己的similarity+所有节点i!=k到k的similarity）达到最大。

[[File:affinitypropagation_figure_2.png|400px]]

[[File:affinitypropagation_figure_2.png|center|400px]]

Marc Mézard在同期Science对Frey和Dueck的文章给出了一个有趣的评论，他应用了卡拉瓦乔的一幅画，通过人物（data point）之间的手势和眼神的交流来解释AP是如何工作，选出一群人的焦点的（见下图）。

Marc Mézard在同期Science对Frey和Dueck的文章给出了一个有趣的评论，他应用了卡拉瓦乔的一幅画，通过人物（data point）之间的手势和眼神的交流来解释AP是如何工作，选出一群人的焦点的（见下图）。

[[File:affinitypropagation_figure_4.png|500px]]

[[File:affinitypropagation_figure_4.png|center|500px]]

==优势==

==优势==