Clustering by fast search and find of density peaks

资 源 简 介

Clustering by fast search and find of density peaks

详 情 说 明

密度峰值快速搜索聚类算法（Clustering by fast search and find of density peaks）是2014年发表在《Science》上的一项突破性工作，由Alex Rodriguez和Alessandro Laio提出。该算法因其简洁性和高效性在机器学习领域引起了广泛关注。

核心思想 该算法基于两个关键假设：(1) 类簇中心的局部密度高于周围邻居；(2) 类簇中心与更高密度的点之间存在相对较远的距离。通过计算每个数据点的局部密度ρ（即邻域内点的数量）和最小距离δ（到更高密度点的最短距离），在决策图（ρ-δ图）上可以直观识别聚类中心——这些点同时具有高ρ值和高δ值。

技术亮点 非迭代过程：与K-means等需要反复迭代的算法不同，该算法通过单次计算即可确定聚类中心 自动确定类簇数：通过观察决策图中的异常点，无需预先指定聚类数量 处理任意形状：对非球形分布的数据集表现优异，克服了传统算法的局限性

应用价值 原始论文附带的Matlab实现展示了算法在多个领域的适用性，包括： 天体物理学中的星系分类 生物信息学中的细胞类型识别 社交网络中的社区发现

该算法将密度聚类与距离度量相结合的创新思路，为复杂数据结构的分析提供了新的范式，其开源实现也降低了科研人员的使用门槛。直到今天，基于密度峰值的改进算法仍在各种实际场景中发挥作用。