Как узнать, какой экземпляр кластера создан Affinity Propagation

Affinity Propagation делает нет каноническим способом «классифицировать» новые изображения. Кластеры нет назначаются самим сходством, но по «ответственности» и «доступности». Грубо - но только приблизительно, и я думаю, что реализация sklearn там неверна - объекты назначаются их «ближайшему» (наивысшее сродство, хотя сходство обычно определяется расстоянием) кластеру. Но если ближайший имеет только низкую доступность, а второй ближайший почти такой же близкий, но с гораздо большей доступностью и ответственностью за эту точку, то баллы могут быть присвоены не "ближайшему" экземпляру. Я не уверен, может ли иметь место какая-то транзитивность (как в DBSCAN). Если это так, AP сможет лучше обрабатывать кластеры разного диаметра или формы и будет менее похож на k-means. В моих экспериментах AP был очень похож на k-средних, только намного медленнее... Однако у меня нет простого теста для такой ситуации, и ИМХО обычно это влияет только на несколько точек.

Тем не менее, кажется распространенным подходом просто назначать «новые точки» ближайшему экземпляру. И если вы прочитать документацию sklearn, у него есть метод, который делает именно это. Я не думаю, что это хорошая идея, потому что теперь fit, а затем transformнет даст тот же результат, что и fit_transform... но это, вероятно, никогда не изменится из-за «обратной совместимости».

sklearn также имеет атрибут, который даст вам индексы экземпляров, выбранных AP, поэтому вы также можете легко сделать это самостоятельно (что необходимо, если вы использовали предварительно вычисленную матрицу сходства).