使用Scikit-learn包的AffinityPropagation

下面是一个使用 scikit-learn 中 AffinityPropagation 进行聚类的完整示例。AffinityPropagation 的特点是：不需要预先指定簇的数量，算法会自动选择聚类中心，且聚类中心是原始样本点。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import AffinityPropagation
from sklearn.datasets import make_blobs
from sklearn.metrics import silhouette_score

# 1. 生成示例数据
X, y_true = make_blobs(
    n_samples=300,
    centers=3,
    cluster_std=0.7,
    random_state=42
)

# 2. 构建 AffinityPropagation 模型
af = AffinityPropagation(
    damping=0.9,          # 阻尼系数，通常 0.5~1，越大越稳定但收敛越慢
    preference=-50,       # 偏好参数，越大簇越多，越小簇越少；None 时使用相似度中位数
    affinity='euclidean', # 相似度度量，也可用 'precomputed'
    max_iter=500,
    convergence_iter=30,
    random_state=42
)

# 3. 聚类
y_pred = af.fit_predict(X)

# 4. 查看结果
n_clusters = len(af.cluster_centers_indices_)
print(f"估计簇数量: {n_clusters}")
print(f"聚类中心索引: {af.cluster_centers_indices_}")
print(f"聚类中心坐标:\n{af.cluster_centers_}")
print(f"迭代次数: {af.n_iter_}")

if 1 < n_clusters < len(X):
    print(f"轮廓系数: {silhouette_score(X, y_pred):.3f}")

# 5. 可视化
plt.figure(figsize=(8, 6))
plt.scatter(
    X[:, 0], X[:, 1],
    c=y_pred,
    cmap='viridis',
    s=30,
    alpha=0.7
)

# 标出聚类中心
plt.scatter(
    af.cluster_centers_[:, 0],
    af.cluster_centers_[:, 1],
    c='red',
    marker='x',
    s=120,
    linewidths=2,
    label='聚类中心'
)

plt.title('Affinity Propagation Clustering')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.legend()
plt.show()

关键参数说明

常用属性

af.labels_                  # 每个样本的簇标签
af.cluster_centers_         # 聚类中心坐标，实际是原始样本点
af.cluster_centers_indices_ # 聚类中心在原始数据中的索引
af.affinity_matrix_         # 相似度矩阵
af.n_iter_                  # 实际迭代次数

使用预计算相似度矩阵

如果已经有一个相似度矩阵，可以这样使用：

from sklearn.metrics.pairwise import euclidean_distances

# 相似度矩阵，越大表示越相似；这里用负平方欧氏距离
S = -euclidean_distances(X, squared=True)

af = AffinityPropagation(
    affinity='precomputed',
    preference=-50,
    random_state=42
)

labels = af.fit_predict(S)

注意事项

1. AffinityPropagation 不需要指定 n_clusters，但结果对 preference 和 damping 比较敏感。
2. 算法时间和内存复杂度较高，适合中小规模数据集。
3. 如果特征量纲差异较大，建议先用 StandardScaler 标准化。
4. 聚类中心是实际样本点，而不是像 KMeans 那样计算出的均值点。