《表1 基准数据集：基于样本稳定性的聚类方法》

  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

《基于样本稳定性的聚类方法》

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

为验证基于样本稳定性的聚类方法在处理聚类任务时的性能，采用来源于UCI数据集的8组数据和来源于CLUTO的4组文本数据，12组数据的详细信息如表1所示.为对照性地显示基于样本稳定性聚类算法（sample’s stability-based clustering，SSC）的聚类性能，8个具有代表性的聚类算法被选为性能参照算法，包括K-means算法、K-means*算法[27]、全局K-means算法（global K-means GK-means）[28]、AP算法、自适应仿射传播聚类算法（adaptive affinity propagation，AD-AP）[29]、DP算法、改进的密度峰值聚类算法（grid-division-based density peak clustering，GDPC）[30]、边界剥离聚类算法（border-peeling clustering，BPC）[31].其中，各类算法均采用固定聚类个数的版本.为降低K-means算法和K-means*算法中随机性对性能评测的影响，运行这两种方法100次并展示其平均性能.本文采用余弦距离处理文本数据.