《表2 不同划分方法的正确率对比》

  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

《一种加权聚类划分决策树算法》

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

表2展示了5个划分方法在10个数据集上的正确率，标红的是每行中最好的正确率。在10个数据集上，WC在其中7个上获得了最好的准确率，相比于未加权无聚类的UWUC划分，平均高出3.63!，特别是在Glass和Letter数据集上，正确率提升超过8!。分别考虑聚类和加权带来的改善:WUC比UWUC高了约1.07!，WC比UWC高了0.86!，这可以认为是属性加权带来的改善；UWC比UWUC高了约2.77!，WC比WUC高了2.56!，这可以认为是聚类带来的改善。观察表2的最后一列，可以看到WFCM仅在MF-mor数据集上获得了略高于WC的正确率。该结果说明硬聚类算法kmeans比模糊聚类算法更适合作为本文提出的加权聚类决策树中划分方法（未加权的FCM划分得到的结果不如WFCM，因此表2未提供相关数据）。