《表3 Spiral数据集上聚类结果的比较》

  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

《物理学优化的密度峰值聚类算法》

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

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。