Matlab Affinity Propagation聚类算法实现及优势

Matlab 的 AP 算法实现，蛮适合做数据科学里的聚类任务，尤其在图像分组、社交网络这类场景下，表现还挺稳的。用起来也不复杂，参数控制比较灵活，适合想快速试试聚类效果的你。

近邻传播算法的一个核心优点是不用预先指定簇的个数，和 K-means 比，省了不少调参麻烦。而且对初始值不敏感，聚类结果也更稳定。Matlab版本的实现结构清晰，改起来也方便。

你要是正在用Matlab做实验，可以直接试试这个实现：近邻传播聚类算法实现 matlab，响应快，收敛速度也不错。尤其适合搞学术或项目原型开发。

如果你还想对比下其他语言的实现，可以看看这个同时了Matlab和Python的版本：AP 近邻传播聚类算法 Affinity Propagation matlab 及 python 程序，挺适合跨平台验证的场景。

另外还有基于 Spark 的分布式实现，适合大数据量的：基于 Spark 的分布式近邻传播聚类算法。如果你平时接触大规模数据，别错过。

建议你在跑算法时注意下偏好参数（preference），对聚类数量影响蛮大。可以先用默认值看看结果，再微调。

如果你对图模型感兴趣，也可以看看这个扩展版：基于概率无向图模型的近邻传播聚类算法，理论味儿浓点，但也挺有意思。