《表3 UCI数据集上不同算法结合DBSCAN的聚类结果比较》

  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

《基于数据流的聚类趋势分析算法》

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

表3中在数据按照数据量Nadd随机递增的过程中，由于增加聚类趋势算法所减少的若干次不具有聚类趋势（不可聚类）的DBSCAN聚类，其结果大多是聚类成单簇或噪点过多而导致准确率不高，所以用了聚类趋势分析算法以后聚类的CR便会提高，而因MDCG-CTI的平均可聚类比率AR是最低的（见表2），所以其后续DBSCAN的聚类CR也就相应最高，相较SpecVAT+DBSCAN在数据集pendigits和avila上分别提高了6和11个百分点。此外聚类累计耗时T方面，iris数据集由于数据量小而聚类耗时很短，所以使用聚类趋势算法后耗时均比不使用要多，且以SpecVAT最为突出；但是在pendigits和avila两个大数据集上，聚类趋势算法减少DBSCAN聚类耗时的优点则显露了出来，其中Hopkins由于100%可聚类的关系（见表2）所以耗时比只用DBSCAN多，而其余三种聚类趋势算法结合DBSCAN后累计耗时T都有所减少，且MDCG-CTI减少得最为明显，相较SpecVAT+DBSCAN的聚类累计耗时分别降低了7%和8%。