《表5 真实数据集聚类结果》
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%。
图表编号 | XD00188999500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.15 |
作者 | 衣俊艳、杜小鹏 |
绘制单位 | 北京建筑大学电气与信息工程学院、北京建筑大学电气与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |