Affinity Propagation

1. 调用方法：

AffinityPropagation(damping=0.5, max_iter=200, convergence_iter=15, copy=True, preference=None, affinity=’euclidean’, verbose=False)

参数：

damping : float, optional, default: 0.5       防止更新过程中数值震荡

max_iter : int, optional, default: 200

convergence_iter : int, optional, default: 15  

　　如果类簇数目在达到这么多次迭代以后仍然不变的话，就停止迭代。

copy : boolean, optional, default: True  

　　Make a copy of input data.

preference : array-like, shape (n_samples,) or float, optional

　　每个points的preference。具有更大preference的点更可能被选为exemplar。类簇的数目受此值的影响，如果没有传递此参数，它们         会被设置成input similarities的中值。？？？

affinity : string, optional, default=``euclidean``

　　度量距离的方式，推荐precomputed and euclidean这两种，euclidean uses the negative squared euclidean distance       between points.

verbose : boolean, optional, default: False

属性：

cluster_centers_indices_ : array, shape (n_clusters,)

　　类簇中心的索引

cluster_centers_ : array, shape (n_clusters, n_features)

　　类簇中心 (if affinity != precomputed)

labels_ : array, shape (n_samples,)

　　每个point的标签

affinity_matrix_ : array, shape (n_samples, n_samples)

　　Stores the affinity matrix used in fit.

n_iter_ : int

　　达到收敛需要的迭代次数。

2. scikit-learn介绍

http://scikit-learn.org/stable/modules/clustering.html#affinity-propagation

3. 算法复杂性

，与样本数成正比。

4.算法描述

 

 引入阻尼因子：