《表3 数据集Wifi、Waveform、Musk的实验结果》
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。
图表编号 | XD00165380800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 赵萌萌、王士同 |
绘制单位 | 江南大学数字媒体学院、江南大学江苏省媒体设计与软件技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |