《表1 几种方向聚类算法的结果统计》

  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

《以节点为中心的关系边聚类与可视化算法》

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

本文选用美国的航班数据，其中有235个节点，2101条边，实验结果如表1所示。对于K-means算法，选择角度阈值ε=90°，测试10组求平均值，平均每个节点的所属边集合的连边聚类数约为2.208，平均聚类时间约为15.167 s；DBSCAN算法中，选择角度邻域ε=15°，min Pts=1，测试10组求平均值，平均每个节点的所属边集合的连边聚类数约为2.979，平均聚类时间约为6.267 s；对于本文基于角度邻域的边方向聚类算法，选择搜索角度εs=30°，限制角度邻域εl=90°，测试10组求平均值，平均每个节点的所属边集合的连边聚类数约为3.132，平均聚类时间为1.087 s。可以看出，本文算法在聚类数目大致相同的条件下，聚类速度比起K-means算法和DBSCAN算法要快很多。这是因为，不论是K-means算法还是DBSCAN算法都属于无监督学习算法，往往需要通过多次迭代才可以得到聚类的结果，而且搜索的范围是全局范围内所有的连边，但本文提出的基于角度邻域的边方向聚类算法只需要在隶属于同一节点的连边范围内搜索和遍历即可，不需要进行迭代计算，因此其计算的时间复杂度要远远低于K-means算法和DBSCAN算法。