《表3 自适应DPC算法与改进DPC算法在不同数据集上的评价指标值》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《自适应密度峰值聚类算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从表3中数据可以看出，在大多数问题上（Path-based数据集和Jain数据集除外），自适应DPC算法相较其他DPC算法取得了更好的聚类效果。自适应DPC算法提出的兼顾局部密度和相对距离的截断距离调节方法，很大程度上解决了参数敏感问题，同时自动获取聚类中心很大程度上解决了人工参与决策的主观性问题。自适应DPC算法在Path-based数据集和Jain数据集上表现一般，通过分析问题发现，适应性DPC算法在Path-based数据集成功获取了三个聚类中心点，但在最后的聚类结果上表现不理想，其主要原因是聚类的分配过程出现了偏差：某个高密度点在分配类簇时出错，导致其近邻点随之出现错误，引发一系列连锁反应。而Jain数据集中有两个具有不同密度的簇，高密度区域的点通常拥有较高的ρ和δ，易被选为聚类中心点，而且高密度区域点更易吸引更多的低密度点集聚。相对而言，处于低密度区域中的点即使有较高的δ也不易被选中为聚类中心点，导致分配结果不乐观。