亲和力传播#

sklearn.cluster.affinity_propagation(S, *, preference=None, convergence_iter=15, max_iter=200, damping=0.5, copy=True, verbose=False, return_n_iter=False, random_state=None)[source]#

执行数据的亲和传播聚类。

更多信息请参见用户指南。

参数：

Sarray-like of shape (n_samples, n_samples): 点之间相似度的矩阵。
preferencearray-like of shape (n_samples,) 或 float, default=None: 每个点的偏好 - 偏好值较大的点更有可能被选为样本点。样本点的数量，即聚类的数量，受输入偏好值的影响。如果偏好值不是作为参数传入，则将其设置为输入相似度的中位数（导致中等数量的聚类）。对于较少数量的聚类，这可以设置为相似度的最小值。
convergence_iterint, default=15: 估计聚类数量没有变化的迭代次数，用于停止收敛。
max_iterint, default=200: 最大迭代次数。
dampingfloat, default=0.5: 介于 0.5 和 1 之间的阻尼因子。
copybool, default=True: 如果 copy 为 False，则算法将就地修改亲和矩阵，以提高内存效率。
verbosebool, default=False: 详细程度。
return_n_iterbool, default=False: 是否返回迭代次数。
random_stateint, RandomState 实例或 None, default=None: 伪随机数生成器，用于控制初始状态。使用整数可在函数调用之间获得可重复的结果。参见词汇表。

0.23 版本的新功能：此参数以前硬编码为 0。

返回值：

cluster_centers_indicesndarray of shape (n_clusters,): 聚类中心的索引。
labelsndarray of shape (n_samples,): 每个点的聚类标签。
n_iterint: 运行的迭代次数。仅当 return_n_iter 设置为 True 时返回。

注释

有关示例用法，请参见亲和传播聚类算法演示。您还可以查看股票市场结构可视化

当算法不收敛时，如果存在任何样本点/聚类，它仍然会返回 cluster_center_indices 和标签的数组，但是它们可能是退化的，应该谨慎使用。

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。如果偏好小于相似性，则将返回单个聚类中心和每个样本的标签 0。否则，每个训练样本都成为其自身的聚类中心，并被分配一个唯一的标签。

参考文献

Brendan J. Frey 和 Delbert Dueck，“通过数据点之间的消息传递进行聚类”，Science 2007 年 2 月

示例

>>> import numpy as np
>>> from sklearn.cluster import affinity_propagation
>>> from sklearn.metrics.pairwise import euclidean_distances
>>> X = np.array([[1, 2], [1, 4], [1, 0],
...               [4, 2], [4, 4], [4, 0]])
>>> S = -euclidean_distances(X, squared=True)
>>> cluster_centers_indices, labels = affinity_propagation(S, random_state=0)
>>> cluster_centers_indices
array([0, 3])
>>> labels
array([0, 0, 0, 1, 1, 1])

图库示例#

股票市场结构可视化