《表5 不同算法在各数据集下的NMI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

《基于可靠邻居与精确簇数的稀疏子空间聚类》

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

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。