《表4 人工数据集上各聚类算法的评价指标值》

  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

《自适应密度峰值聚类算法》

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

为了进一步验证算法的性能，将自适应DPC算法与DBSCAN、OPTICS、AP、K-means等几种常用的聚类算法进行对比，聚类结果如表4所示，DPC、DBSCAN、OPTICS、AP、K-means在各数据集的评价指标值来源文献[5]。表中Par1、Par2代表各算法的参数，表中“—”表示没有对应值，即Par2列出现“—”表示该算法只有一个参数。表4中算法的参数说明：ADPC算法有一个参数截断距离（浮点数），表示各样本点平均邻居数约占数据集样本点总数的Par1%；DBSCAN和OPTICS算法，它们都有两个参数：邻域半径ε（浮点数）和minpts（邻域最少点数，即半径内的期望样本个数，整数）；AP算法有一个参数偏好参数Preference（浮点数），表示样本点作为聚类中心的参考度；K-means算法有一个参数K（整数），表示设定K个聚类中心。自适应DPC算法在数据集Flame、Aggregation、R15、D31、Path-based、Spiral、DIM512、DIM1024均比其他算法表现更好。自适应DPC算法是对标准DPC算法上的改进，它继承了DPC算法的优势，同时自适应DPC算法已将截断距离参数调至最优，避免了标准DPC算法中的参数设置的影响，这些因素使得改进后的算法效果更佳。DBCSAN算法更适用于非凸样本集聚类，它在聚类的同时还可以找出异常点，因此DBSCAN算法在Jain和Path-based数据集上的表现明显优于其他算法。图5显示了部分数据集的自适应DPC算法聚类结果，同样表明自适应DPC算法良好的聚类效果。