《表5 不同算法在各数据集下的NMI比较》
另一方面,由于高维空间中的数据相似关系本身很难刻画,所以RN-ECN也存在一定的局限性。实验结果表明,对于数据量较少的数据集(序号4~6),RN-ECN能够在一定程度上有效地反映出数据的内在结构,从而进行合理聚类,在Acc指标上基本能够实现更优,但是在NMI指标上没有达到最佳的聚类质量;而对于数据量较多的数据集(序号7、8),由于RN-ECN为了提升算法效率、减少计算量而借助了K近邻的思想,在该过程中舍弃了一部分数据信息,所以数据间的相似关系在传递过程中可能会出现一定程度的偏差,加之算法最后还需要将全部的数据划分为精确的连通分支数量,使得RN-ECN最终只取得了与其他算法保持相当的聚类效果。
图表编号 | XD00198107800 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.05 |
作者 | 郑毅、马盈仓、杨小飞 |
绘制单位 | 西安工程大学理学院、西安工程大学理学院、西安工程大学理学院 |
更多格式 | 高清、无水印(增值服务) |