《表3 Spiral数据集上聚类结果的比较》
从表3中可以看到,KNN-DPC算法、DPC算法、DBSCAN算法的AMI、ARI、FMI都达到了100%;图4中这三种算法将该数据集分成正确的类簇数目、能够准确识别质心并且剩余数据点的分配也很精准,聚类效果较好;AP算法将该数据集分成多个类簇,识别出多个类簇中心,进而使得部分样本点分配到错误的类簇中,影响最终的聚类效果;K-Means算法将数据集分成了正确的类簇数目,但是类簇质心识别的差异较大,导致剩余样本中本该属于同一类簇的却被错误的分配到多个类簇中,其AMI、ARI达到负数,超出这两种评价指标的取值范围。从图4、表3、图5可以看出W-DPC算法对Spiral数据集聚类效果更优,AMI、ARI、FMI都达到了100%,高于AP算法70%左右,更高于K-Means算法,W-DPC算法将Spiral数据集聚类成正确的类簇数目,精准识别质心位置及分配剩余样本点。
图表编号 | XD00163024500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.01 |
作者 | 贾露、张德生、吕端端 |
绘制单位 | 西安理工大学理学院、西安理工大学理学院、西安理工大学理学院 |
更多格式 | 高清、无水印(增值服务) |