《表5 真实数据集聚类结果》

  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

《具有中心移动特性的弹性网络聚类算法研究》

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

选择了UCI机器学习库中数据集进行真实数据聚类的准确率，包括Zoo、Iris、Wine、Handwritten Digits和Skin数据集。k-means和k-medoids对初始点的选择敏感，故对数据量较小的三个数据集取20次运行结果的平均值，对其余取10次运行结果的平均值。由于k-medoids聚类算法对“Handwritten Digits”和“Skin”数据集的聚类未能在预期的时间内完成，因此未在表5中列出。从表5可以看出，CMENA算法准确率比k-means平均提高12%。对数据集Zoo、Iris和Wine的CMENA的聚类准确率比k-medoids的平均高14%。与SOM相比，SOM也不能在预期时间内解决Digits和Skin数据集的聚类问题，对于其他三个数据集的聚类中，CMENA在准确率上也平均有19%的优化。原始的弹性网络通常只能解决数百个数据的TSP问题。而CMENA算法所解决的Skin数据集的聚类问题有24万个数据之多。在k-medoids和SOM聚类算法都无法解决的情况下，CMENA算法却能在短时间内解决并且得到的聚类结果的准确率比k-means高15%。