《表5 稳健性检验Ⅰ：基于数据流挖掘算法的电网设备风险识别研究》

  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

《基于数据流挖掘算法的电网设备风险识别研究》

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

以算法计算时间、准确率和有效时间误删除率作为对比数据，表5为三种算法的效率对比。通过观察分析发现，Euclidean cluster算法准确率只有69.80%，有效数据误删除率为5.40%，分析原因是有效数据的误删除导致数据集特征数据减少，分类准确率降低；双层窗口数据流分类算法准确率为85.10%，有效数据误删除率为0%，结合双层窗口数据流分类的运行流程分析，在进行数据流的联合分类时，在线微聚类方法不再删除聚类类别，而是进行过期数据的不断替换，以及类别的不断重划分，这避免了有效数据误删除情况，因此保证了数据流中特征数据的数量，提升了算法的准确率。对比两类算法计算时间，双层窗口数据流分类算法在保证有效数据处理的同时，运行速度有所下降，但下降的幅度很小，考虑到有效数据对于数据挖掘的重要性，因此双层窗口数据流分类算法优于Euclidean cluster算法。