《表5 数据集Covertype的实验结果》

  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

《共享近邻紧密度的增量式谱聚类算法》

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

注：“—”表示因空间开销太大致使算法在对应容量样本情况下无法成功执行。

其中，对于3个数据集Wifi、Waveform、Musk，SC-SNN算法可以成功执行，故直接对其中的所有样本进行多次重复实验，取其平均值作为实验结果，其中Wifi、Waveform、Musk中的λ依次设置为3、3、1，并给出与λ=0的对比。其实验结果如表3所示，从结果中可以看出，当λ为非零值时，ISC-SNN相较于SC-SNN而言，不仅时间缩短了很多，而且聚类精度也明显增加。但当λ为0时，聚类时间虽然缩短了很多，但聚类精度有可能会下降。由此可知当选取适合的λ时，ISC-SNN算法在小数据集的聚类问题上可以达到很好的聚类效果。为了进一步验证ISC-SNN的聚类性能的优越性，将使用MGT和Covertype两个较大一点的数据集，由于样本容量过大，当一次性载入所有样本时会致使SC-SNN算法失效，故从中分别随机选取若干种不同容量的子集进行测试。关于数据集MGT和Covertype中的λ分别设置为2、3，并给出与λ=0的对比。其实验结果在表4和表5中给出。