《表5 所有对比算法在真实数据集上的详细聚类结果》

  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

《增量学习的模糊风格K平面聚类》

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

该统计测试方法主要包含FF和CD两个关键值[27].FF用于确定该统计测试方法的空假设（即假设所有对比算法具有相同的聚类性能）是否被否定；CD用于验证对比算法之间的聚类性能是否存在显著区别.由表5列出的聚类正确率对所有对比算法进行排序，如对于EEG-D2，因ISF-KPC取得了最好的聚类结果，其排名为1，即rank=1.依此类推，可得出所有对比算法在所有真实数据集上的排序，如表6所示.根据对比算法排序值、F-分布及其自由度（Nc-1）、（Nc-1）（Nd-1）可确定FF值.只要满足FF>F（(Nc-1），（Nd-1）)，该统计测试方法的空假设即被否定.其中Nc代表所有对比算法个数，Nd代表真实数据集个数，F（·，·）根据F-分布表可查出[27].基于空假设被否定，可进一步计算CD值.其中（α为显著性度，其值取文献[27]推荐值α=0.05，qα可从文献[27]查出）.任意两个对比算法平均排序差值的绝对值大于该CD值即表明这两个对比算法的聚类性能之间存在显著区别.