1、算法简介
（1）概述：AP聚类是在2007年的《Clustering by Passing Messages Between Data Points》一文中首次提出的一种新的聚类算法。该算法无需事先定义类数，而是在迭代过程中不断搜索合适的聚类中心，自动从数据点间识别类中心的位置及个数，使所有的数据点到最近的类代表点的相似度之和最大。算法开始时把所有的数据点均视作类中心，通过数据点间的”信息传递”来实现聚类过程。与传统的K-均值算法对初始类中心选择的敏感性相比，AP算法是一种确定性的聚类算法，多次独立运行的聚类结果一般都十分稳定。AP算法是在数据点的相似度矩阵上进行聚类的，聚类的目标是使数据点与其类代表点之间的距离达到最小化。
（2）主要用途：聚类分析。
（3）优缺点
[1] 优点：第一，与众多聚类算法不同，AP聚类不需要指定K(经典的K-Means)或者是其他描述聚类个数(SOM中的网络结构和规模)的参数；第二，一个聚类中最具代表性的点在AP算法中叫做E（Examplar），与其他算法中的聚类中心不同，E是原始数据中确切存在的一个数据点，而不是由多个数据点求平均而得到的聚类中心(K-Means)；第三，多次执行AP聚类算法，得到的结果是完全一样的，即不需要进行随机选取初值步骤；第四，对距离矩阵的对称性没要求。AP通过输入相似度矩阵来启动算法，因此允许数据呈非对称，数据适用范围非常大，且误差平方和低。
[2] 缺点：第一，算法复杂度较高，比而K-Means的复杂度高很多。因此当n比较大时(n>3000)，AP聚类算法往往需要算很久；第二，依赖参考度P的初值。
2、算法流程
3、模拟例子
（1）说明
[1] 数据情况：小明班上30名同学的成绩数据。
[2] 研究目的：将小明班上的同学进行聚类。
（2）分析步骤
[1] 第一步：输入小明班上30名同学的成绩；
[2] 第二步：使用AP聚类对小明班上30名同学的成绩进行聚类分析；
[3] 第三步：输出聚类结果。
（3）结果模拟：模型自动将小明班上30名同学分为了3类，经过数据研究，将第1类命名为学霸组（共6名学生），第2类命名为普通学生组（共17名同学），第3类命名为学渣组（共7名同学）。
——————————————————★
Original: https://blog.csdn.net/A_1245/article/details/123576959
Author: 稀饭居然不在家
Title: 热门算法总结 —— AP聚类
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/638853/
转载文章受原作者版权保护。转载请注明原作者出处！