《表2 真实数据集下两种算法性能比较》

  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

《基于聚类离群因子和相互密度的离群点检测算法》

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

本文真实的数据集采用iris、wine和shuttle数据集。iris数据集共3个聚类，分别为“山鸢尾”、“杂色的鸢尾”、“维吉尼亚鸢尾”，将iris数据集中的前两个聚类作为正常点，随机选取第3个聚类中的10个离群点，数据集共110个数据点；wine数据集下随机选取第3个聚类中的15个点作为离群点，共140个数据；Shuttle训练数据集共9个实体属性和一个代表聚类的属性，数据集共包含7个不同的聚类标签，其中3个聚类包含了整体数据集99.6%的数据，将其作为正常数据样本，剩余的0.4%作为离群点，本文取前5000个点作为实验的样本点，共包含1 056个离群点。本文COF算法和DPC算法的实验结果如表2所示。