《表3 不同数据集下各算法的NMI》

  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LPCA的谱聚类算法》

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中可以看出，本文算法除了在数据集breast上不是最好，在其他数据集上均好于对比算法。同样以cars数据集为例，本文算法与对比算法相比较在NMI上的提升为14.04%、8.07%、7.51%、13.27%、12.54%、11.01%，平均提升为11.07%。这表明本文所使用的SC-LPCA算法得到的关系矩阵更好地反映了数据样本之间的关系，因此它在标准互信息的值上比其他对比算法更高。同样对cars数据集而言，以在NMI上表现最好的算法LSR为例。它通过约束提高了关系矩阵的内聚性，使得和其他对比算法相比较，它的NMI值会更高。但它仍然是从全局出发来考虑数据集的特性，并没有考虑数据其他同样重要的特征，比如数据集所含的交叉点分布的情况。本文算法通过对中心点的挑选配合LPCA处理以及最后按距离对剩余样本的划分，不仅考虑了样本的局部特征，而且使数据集中的交叉点得到了较好的划分，因此本文算法会在NMI上比其他对比算法更好。