《表4 2维和3维的20 000～100 000个数据的聚类结果》

  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

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。