《表2 聚类准确率对比：基于正则互表示的无监督特征选择方法》

  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

《基于正则互表示的无监督特征选择方法》

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

单位：%

图1是RMR方法计算出的Iris20特征权重直方图，横轴代表Iris20数据集的20个特征，纵轴代表计算出的各个特征的权重。权重越大，特征越重要，越具有代表性。从图1可以直观地看出，前4个特征的权重明显大于后16个特征的权重，这说明RMR方法可以有效地识别出数据集中具有代表性的特征。从表2的实验结果数据可以得知，RMR特征选择方法与其他四种特征选择方法相比，其在5个标准数据集上选出的特征子集的平均聚类准确率最大，说明RMR方法对聚类准确率的提升能力更强。从表3的实验结果数据可以看出，RMR方法选出的特征子集的归一化互信息NMI值最大，说明RMR方法选出的特征子集的聚类效果更好。无论是聚类准确率还是归一化互信息，都是度量聚类结果好坏的常用指标，值越大越好。因此从表2和表3可以得出相同的结论，使用RMR方法对原始数据集进行特征选择，可以选出数据中的具有代表性的特征，有效地改善数据在聚类时的表现，并且同其他四种对比方法相比效果更好。