《表2 各种聚类方法SSE值对比Tab.2 SSEs of various clustering algorithms》
各种聚类方法SSE值对比如表2所示。传统K-means聚类简单且效率高,以类簇内对象均值为聚类中心,目标为得到紧凑独立的簇,但是需事先给定聚类数K值,且受初始聚类中心的影响大,导致K-means聚类算法不稳定。AP聚类无需随机选取初值,重复执行AP算法得到的结果相同,稳定性好,但其聚类中心为原始数据集中的点,此聚类中心不一定为最优聚类中心。本文提出的改进集成聚类算法将AP聚类和K-means聚类相结合,实现两类算法的优势互补,由表2可知,改进集成聚类算法的误差平方和最小,类簇间的分散性高,类簇内的紧凑性好。
图表编号 | XD0014754700 严禁用于非法目的 |
---|---|
绘制时间 | 2018.05.23 |
作者 | 王知芳、杨秀、潘爱强、陈甜甜、谢真桢 |
绘制单位 | 上海电力学院电气工程学院、上海电力学院电气工程学院、上海市电力公司电力科学研究院、上海市电力公司电力科学研究院、上海电力学院电气工程学院 |
更多格式 | 高清、无水印(增值服务) |