《表4 2维和3维的20 000~100 000个数据的聚类结果》
由于k-means、k-medoids算法对初始聚类中心敏感,其聚类结果的SED值取20次聚类结果的平均值。对于在预定时间内无法得到聚类结果情况,使用N/A标记。在表1和表2中,列出了k-means、k-medoids和CMENA算法在100到900个数据时聚类结果的SED值。CMENA算法聚类结果的SED比k-means平均小18%,比k-medoids平均小20%。在表3中,列出了k-means、k-medoids和CMENA算法在1000~10 000个数据时聚类结果的SED值。CMENA算法聚类结果的SED值比k-means平均小21%。除10 000个数据点外,与k-medoids相比,CMENA聚类结果的SED值平均优化了18%。在表4中列出了k-means和CMENA算法在20 000~100 000个数据时聚类结果的SED值。由于k-medoids算法无法在预计时间内得到聚类结果,所以未曾列出。CMENA算法聚类结果的SED值平均比k-means小15%。从表3可以看出CMENA算法可以解决比k-medoids更大数量级的聚类问题。
图表编号 | XD00189000300 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) |