《表1 数据集描述：基于距离和密度的d-K-means算法》

  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

《基于距离和密度的d-K-means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

为了验证d-K-means算法在选取初始聚类中心的有效性，选取了专门用于测试聚类算法性能的UCI数据集和美国气象局气候分类数据（weather）。UCI是加州大学提出的用于机器学习的数据库，是一个常用的标准测试数据集，实验数据集中都有明确的分类，因此可以直接观察到聚类的质量。实验对iris、wine、seeds、pima、weather五个数据集进行测试，将BWP指标、兰德指数、轮廓系数、Jaccard系数、迭代次数、准确率作为性能指标，与传统K-means、K-means++、文献[10，11]算法进行比较，表1为数据集的参数情况。