《表3 小型和大型社区网络中应用无监督算法的NMI值》
提示：宽带有限、当前游客访问压缩模式
实验采用2步比较和评估结果。首先，将PC-GCE的准确性与标准GCE进行比较（如表2）。其次，比较了PC-GCE算法与其他基准算法的准确性（如表3）。
| 图表编号 | XD00150807400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.08.01 |
| 作者 | 许小媛、李海波、于本成、刘芳 |
| 绘制单位 | 江苏开放大学信息工程学院、江苏开放大学信息工程学院、中国矿业大学计算机科学与技术学院、江苏开放大学信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 计算复杂度比较：稀疏回归和流形学习的无监督特征选择算法》2020.09.05
- 《表2 数据集描述：稀疏回归和流形学习的无监督特征选择算法》2020.09.05
- 《表1 围岩物理力学参数：应用残差稠密网络的无监督单幅图像深度估计》2019.11.01
- 《表8 各算法在LFR2网络上的NMI值》2021.03.10
- 《表6 各算法在LFR1网络上的NMI值》2021.03.10
- 《表4 各算法在GN网络上的NMI值》2021.03.10
- 《表3 数据集属性描述：基于监督学习算法的网络流量应用类型分类研究》2021.01.01
- 《表1 参数设置：基于监督学习算法的网络流量应用类型分类研究》2021.01.01
- 《表1 编码特征转化：基于无监督聚类算法的通信网络安全态势预测方法》2020.06.25
- 《表3 9个算法的NMI值》2020.08.20
- 《表2 小型和大型社区网络中运用PC-GCE的NMI值(约束对占比0～5%)》2020.08.01
- 《表3 无审计监督EPC项目关系网络的中心性》2020.08.08
- 《表3 新词示例：无监督分词算法在新词识别中的应用》2020.04.01
- 《表1 常用监督学习和无监督学习算法及其在个性化需求发现中的应用》2020.03.10
- 《表1 聚类NMI值：基于去噪自编码的属性网络表征学习算法》2019.10.05
- 《表3 综合评价值：小型水利工程质量监督的综合评价》2019.06.30
- 《表2 实验参数：大数据挖掘中的混合差分进化K-Means无监督聚类算法》2019.05.15
- 《表2 10种算法在4个网络最优层的NMI值》2019.01.01
- 《表2 实验结果：基于无监督特征选择和卷积神经网络的图像识别算法》2018.10.25
- 《表1 实验参数设置：基于无监督特征选择和卷积神经网络的图像识别算法》2018.10.25