* s(i,j)：数据点i与数据点j的相似度值，一般使用欧氏距离的的负值表示，即s(i,j)值越大表示点i与j的距离越近，AP算法中理解为数据点j作为数据点i的聚类中心的能力；
* 相似度矩阵：作为算法的初始化矩阵，n个点就有由n乘n个相似度值组成的矩阵；
*
Preference参考度或称为偏好参数：是相似度矩阵中横轴纵轴索引相同的点，如s(i,i)，若按欧氏距离计算其值应为0，但在AP聚类中其表示数据点i作为聚类中心的程度，因此不能为0。迭代开始前假设所有点成为聚类中心的能力相同，因此参考度一般设为相似度矩阵中所有值得最小值或者中位数，但是参考度越大则说明个数据点成为聚类中心的能力越强，则最终聚类中心的个数则越多；
* Damping factor阻尼系数：为防止数据震荡，引入地衰减系数，每个信息值等于前一次迭代更新的信息值的λ倍加上此轮更新值得1-λ倍，其中λ在0-1之间，默认为0.5。
damping : 衰减系数，默认为 0.5
convergence_iter : 迭代次后聚类中心没有变化，算法结束，默认为15.
max_iter : 最大迭代次数，默认200.
preference : S的对角线上的值
affinity :S矩阵（相似度），默认为euclidean（欧氏距离）矩阵，即对传入的X计算距离矩阵，也可以设置为precomputed，那么X就作为相似度矩阵。
在AP算法中有一些特殊名词：
- Exemplar：指的是聚类中心，K-Means中的质心。
- Similarity：数据点i和点j的相似度记为s(i, j)，是指点j作为点i的聚类中心的相似度。一般使用欧氏距离来计算，一般点与点的相似度值全部取为负值；因此，相似度值越大说明点与点的距离越近，便于后面的比较计算。
- Preference：数据点i的参考度称为p(i)或s(i,i)，是指点i作为聚类中心的参考度。一般取s相似度值的中值。
- Responsibility：r(i,k)用来描述点k适合作为数据点i的聚类中心的程度。
- Availability：a(i,k)用来描述点i选择点k作为其聚类中心的适合程度。
- Damping factor(阻尼系数)：主要是起收敛作用的。
在实际计算应用中，最重要的两个参数（也是需要手动指定）是Preference和Damping factor。前者定了聚类数量的多少，值越大聚类数量越多；后者控制算法收敛效果。
REF
https://blog.csdn.net/u010161379/article/details/51636926