《表1 模拟数据集两种算法的性能比较》
图5和图6分别为本文COF算法和DPC算法在Flame数据集上的实验结果,由图可以看到本文算法能很好地发现聚类的形状,从而验证了本文COF算法参数获取的有效性和正确性。图5和图6中,算法检测到的离群点已经被标注为星号。从表1可以看出,本文算法的Pr和FoC远远高于DPC算法,这是因为两个聚类的交界处数据很密集,DPC算法检测到的边界密度较大,算法将很多点当做离群点进行处理,从而导致准确度过低。本文的算法不考虑边界密度,从聚类的数据点个数入手,可以准确地检测到离群点。本文算法最大的优势是不需要任何输入参数。
图表编号 | XD00102871800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.01 |
作者 | 张忠平、邱敬仰、刘丛、朱梦凡、章德斌 |
绘制单位 | 燕山大学信息科学与工程学院、燕山大学河北省计算机虚拟技术与系统集成重点实验室、燕山大学信息科学与工程学院、燕山大学信息科学与工程学院、燕山大学信息科学与工程学院、河北省教育考试院 |
更多格式 | 高清、无水印(增值服务) |