《表4 3种聚类算法在数据集上的统计结果》
由图2聚类图谱可以看出,本文算法、DEABC-FCM及ACO-FCM都能将在Aggregation、R15、D31等3类数据集上将原始数据聚类成型,聚类结果较为准确,但DEABC-FCM及ACO-FCM在处理多类别数据集时聚类边界数据的归类处理上不够精确,比如图2(c)中D31数据集三角标记区域等,而本文算法计算数据集的密度程度,不仅实现了自动选取聚类中心和聚类数目,还利用蝙蝠算法的多次优化得到了更好的分类效果。为了直观地对比3种聚类算法的聚类效果,将3种聚类算法分别运行100次,统计3种算法实现聚类的平均迭代次数、平均使用时间以及平均差错率,详细情况如表4所示。
图表编号 | XD00162739200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.28 |
作者 | 汤正华 |
绘制单位 | 中共山东省委党校信息技术部 |
更多格式 | 高清、无水印(增值服务) |