Affinity Propagation Clustering（簡稱AP演算法）是2007提出的，當時發表在Science上《single-exemplar-based》。特別適合高維、多類資料快速聚類，相比傳統的聚類演算法，從聚類效能和效率方面都有大幅度的提升。

    首先介紹一下演算法原理。

    首先引入兩個概念，吸引度和歸屬度矩陣

    吸引度（responsibility）矩陣R：其中r(i,k)描述了資料物件k適合作為資料物件i的聚類中心的程度，表示的是從i到k的訊息；

    歸屬度（availability）矩陣A：其中a(i,k)描述了資料物件i選擇資料物件k作為其據聚類中心的適合程度，表示從k到i的訊息。

    Step1：演算法初始，這兩個矩陣均初始化為0矩陣。

    Step2：更新吸引度矩陣 

    Step3：更新歸屬度矩陣

    Step4：根據衰減係數λ對兩個公式進行衰減

    重複步驟2/3/4直至矩陣穩定或者達到最大迭代次數，演算法結束。補充一下S為相似度矩陣，通常S（i，j）取i，j的歐氏距離的負值，當i=j時，通常取整個矩陣的最小值或者中位數(Scikit-learn中預設為中位數)，取得值越大則最終產生的類數量越多。

    最終取a+r最大的k作為聚類中心。

    原理完畢，接下來介紹一下在scikit-learn中這個演算法如何使用。

    第一，慣例的import：from sklearn.cluster import AffinityPropagation

    第二，進行新建一個AP物件：AffinityPropagation()，其中可以設定的引數如下

    damping : 衰減係數，預設為 0.5
    convergence_iter : 迭代次後聚類中心沒有變化，演算法結束，預設為15.
    max_iter : 最大迭代次數，預設200.
    copy : 是否在元資料上進行計算，預設True，在複製後的資料上進行計算。
    preference : S的對角線上的值
    affinity :S矩陣（相似度），預設為euclidean（歐氏距離）矩陣，即對傳入的X計算距離矩陣，也可以設定為precomputed，那麼X就作為相似度矩陣。

    verbose : 列印資訊的詳細程度，預設0，不列印。

    第三，介紹一下可以呼叫的函式，新建AP物件後，使用fit進行訓練，predict進行預測，均需傳入相似度矩陣。

    最後，介紹一下可以獲取的結果

    cluster_centers_indices_ : 聚類中心的位置