《表2 算法三种指标对比结果》

  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

《基于局部结构保留的级联子空间深度聚类》

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

/%

本文在表2中展示了三个数据集上所有比较算法的结果，其中数据加粗和下画线表示最好结果。从表中可以看出在三个数据集上，本文算法的准确率、标准互信息和调整rand指数都高于CSC算法，以MNIST-FULL为例，本文算法在ACC、NMI和ARI上分别比CSC提高1.42%、5.85%和2.7%，证明本文提出算法的有效性。不仅如此本文算法除在REUTERS上的NMI结果低于DEC算法外，其他指标结果均优于对比算法，显示出本文算法的优越性。此外在小规模数据集（如MNIST-TEST）上，虽然现有的聚类方法不如深度聚类模型，但是这些方法的性能仍然是可以接受的。当使用更大规模的数据集（例如MNIST-FULL）时，几乎所有这些方法都无法获得理想的结果。相比之下，本文仍然表现稳定，并将大多数数据点分离到正确的集群中。最后深度聚类算法DAE+K-means、DEC、CSC和本文算法相对于传统的K-means和SC聚类算法有较大优势，表明了深度学习在无监督聚类领域的巨大潜力，体现了本文研究的价值。为了增强实验结果直观性，本文将表2中的结果进行了可视化。图4是MNIST-FULL数据集上的结果对比图。此外，本文还在MNIST-FULL数据集聚类的结果中随机从每个簇中抽取了10个样本进行可视化，结果如图5所示。从图中可以看到有10个簇，每个簇有10个样本，总共100样本，大多数样本都正确分类，只在簇4和簇9的结果出现了错误，与表2中结果相符。