《表2 标准K-均值算法聚类结果》
提示：宽带有限、当前游客访问压缩模式
由实验分析比较可得，相比标准的K-均值算法，本算法在时间效率和聚类精度上都得到了一定程度的提高，而且算法的稳定性也得到很大程度的提高，能适应大规模数据分析需要。
| 图表编号 | XD0017817000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2018.01.25 |
| 作者 | 李俊 |
| 绘制单位 | 湖北大学计算机与信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 实验结果对比：基于蚁群优化K均值聚类算法的滚轴故障预测》2020.11.16
- 《表2 三个聚类中心：基于k均值与SVM算法的学生综合评价及分类研究》2020.10.25
- 《表3 K-均值聚类算法检测率和误报率》2020.09.01
- 《表4 提出的分治k均值聚类算法与基于GraphLab的分布式改进k均值法的比较》2020.05.16
- 《表6 原始K均值与改进K均值聚类算法的分类准确率对比》2020.07.10
- 《表7 原始K均值与改进K均值算法聚类指标对比》2020.07.10
- 《表5 原始K均值与改进聚类算法的SSE对比》2020.07.10
- 《表2 采样点的颜色值：基于优化初始中心的加权K-均值彩色图像聚类算法分析》2020.09.15
- 《表1 实验数据集：结合遗传k均值改进的密度峰值聚类算法》2020.04.16
- 《表1 实验数据详细说明：灰狼优化的k均值聚类算法》2019.07.01
- 《表1 数据集说明：基于文化算法的K均值聚类混合算法研究》2019.09.10
- 《表1 数据集表：基于改进粒子群算法的k均值聚类算法》2019.09.15
- 《表8 初始聚类中心：基于K-均值算法的客户分类研究》2019.08.28
- 《表1 3 聚类成员：基于K-均值算法的客户分类研究》2019.08.28
- 《表2 各区域会员中心：基于K-均值聚类算法的众包任务定价模型设计》2019.06.25
- 《表2 各区域会员中心：基于K-均值聚类算法的众包任务定价模型设计》2019.06.25
- 《表2 聚类中心对比：基于K均值聚类算法的交通状态判别方法研究》2019.08.30
- 《表3 聚类结果：基于K均值聚类算法的交通状态判别方法研究》2019.08.30
- 《表1 数据集信息：结合蚁群算法的改进粗糙K均值聚类算法》2019.03.01
- 《表1 档案扫描要求：基于二分K均值聚类算法的数字档案优化》2019.12.01