Affinity Propagation Kümeleme
Affinity Propagation Clustering · Ayrıca şöyle bilinir: affinity propagation clustering, message-passing clustering, exemplar-based clustering, yakınlık yayılımı kümeleme
Brendan Frey ve Delbert Dueck tarafından 2007'de tanıtılan Affinity Propagation, veri noktaları arasındaki her bir çift nokta arasında mesaj alışverişi yaparak tutarlı bir küme kümesi ortaya çıkana kadar temsilci 'örnekleri' belirleyen bir kümeleme algoritmasıdır. K-ortalama algoritmasının aksine, küme sayısının önceden belirtilmesini gerektirmez — bu sayı verilerden ve bir 'tercih' parametresinden ortaya çıkar — ve doğrudan metrik olmak zorunda olmayan ikili benzerliklerden çalışır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Küme sayısını önceden bilmediğinizde, sentetik merkezler yerine gerçek veri noktalarını (örnekleri) küme temsilcileri olarak istediğinizde veya metrik olmayan veya asimetrik olabilen yalnızca ikili benzerliklere sahip olduğunuzda Affinity Propagation'ı kullanın. Görüntü, belge ve biyoinformatik kümelemede orta boyutlu veri kümelerine uygundur ve tekrarlanabilir sonuçlar verir (rastgele başlatma yok). Başlıca dezavantajı ölçeklenebilirliktir: N × N mesaj matrisini depolar ve günceller, bu da kabaca karesel bellek ve zaman maliyetiyle sonuçlanır, bu nedenle çok büyük veri kümelerine uygun değildir. Sonuçlar tercih parametresine (küme sayısını kontrol eder) ve yakınsama için sönümlemeye duyarlıdır ve yetersiz sönümleme olmadan algoritma salınım yapabilir. Büyük veriler veya bilinen k için k-ortalama veya DBSCAN daha pratiktir.
Güçlü yönler & sınırlılıklar
- Küme sayısını verilerden ve tercihten otomatik olarak belirler.
- Yorumlamaya yardımcı olan örnekler olarak gerçek veri noktalarını kullanır.
- Keyfi ikili benzerliklerden, metrik olmayanlar dahil, çalışır.
- Girdiler verildiğinde deterministiktir — rastgele başlatmaya duyarlılık yok.
- Nokta sayısında karesel bellek ve zaman, ölçeklenebilirliği sınırlar.
- Küme sayısını kontrol eden tercih parametresine güçlü bir şekilde bağlı sonuçlar.
- Yeterli mesaj sönümlemesi olmadan yakınsamayı başaramayabilir veya salınım yapabilir.
- Anlamlı bir benzerlik matrisi varsayar ve çok farklı boyutlarda/yoğunluklarda kümelerle mücadele edebilir.
SSS
Affinity Propagation küme sayısını nasıl seçer?
Küme sayısını girdi olarak almaz. Bunun yerine, benzerlik matrisinin köşegenindeki 'tercih' değeri, noktaların ne kadar kolay örnek olacağını kontrol eder: daha yüksek tercihler daha fazla küme üretir. Gerçek sayı mesaj geçirme sürecinden ortaya çıkar, bu nedenle tercihi ayarlamak (örneğin, medyan benzerlikten) onu etkileme şeklinizdir.
Örnek nedir?
Örnek, bir kümeyi temsil etmek üzere seçilen gerçek bir veri noktasıdır — kümedeki diğer her nokta ona atanır. Herhangi bir gerçek gözleme karşılık gelmeyebilecek ortalamalar olan k-ortalama merkezlerinin aksine, örnekler gerçek veri noktalarıdır, bu da yorumlanabilirliği artırır.
Affinity Propagation neden büyük veri kümelerinde yavaştır?
Tüm nokta çiftleri arasında sorumluluk ve kullanılabilirlik mesajlarını korur ve günceller, bu nedenle bir N × N matrisine ve kabaca karesel zaman ve belleğe ihtiyaç duyar. Bu, çok büyük N için pratik olmamasına neden olur; ölçekte k-ortalama, mini-batch varyantları veya DBSCAN daha iyi seçeneklerdir.
Kaynaklar
- Frey, B. J., & Dueck, D. (2007). Clustering by passing messages between data points. Science, 315(5814), 972–976. DOI: 10.1126/science.1136800 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Affinity Propagation Clustering. ScholarGate. https://scholargate.app/tr/machine-learning/affinity-propagation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Hiyerarşik KümelemeMakine öğrenmesi↔ karşılaştır
- K-Means KümelemeMakine öğrenmesi↔ karşılaştır
- Spektral KümelemeMakine öğrenmesi↔ karşılaştır