《表2 不同划分方法的正确率对比》
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)。
图表编号 | XD00183764700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.28 |
作者 | 刘振宇、褚娜 |
绘制单位 | 东北大学计算机科学与工程学院、大连东软信息学院计算机与软件学院、大连东软信息学院计算机与软件学院 |
更多格式 | 高清、无水印(增值服务) |