《表2 本文算法与其它算法在不同数据集上的对比》
表2列出了本文提出的算法和其它算法在8个数据集上的准确率。对于Heart这个数据集,DB-SCN算法出现了异常值,因此没有在这个数据集上对DBSCN算法进行评估。从中我们可以看出,DPC-KDE算法能更准确地识别聚类中心点,而不依赖于数据集的性质,而DPC查找密度和边界点的能力在很大程度上取决于数据集的性质。本文提出的DPC-KDE方法是不同数据集聚类的有效通用解决方案。DPC算法的性能很大程度上取决于参数dc的选取,而dc的选取很大程度上依赖于主观经验,这对算法性能的提升是很大的制约,本文提出DPC-KDE算法能够自适应选择最佳参数,在任一数据集上都有较好的表现。
图表编号 | XD00164896500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.25 |
作者 | 李昕、雷迎科 |
绘制单位 | 国防科技大学电子对抗学院、国防科技大学电子对抗学院 |
更多格式 | 高清、无水印(增值服务) |