《表2 不同聚类方法在不同维度的实验结果》

  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

《基于医疗文本数据聚类的帕金森病早期诊断预测》

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

K-Means、K-Medoids、GMM、AP、SC共5种不同聚类方法及CSPA、MCLA和HGPA共3种聚类集成在8个不同维度即80、70、60、50、40、30、20和10的维度空间上的聚类结果如表2所示。从表2可看出，5个聚类和3个聚类集成方法在不同维度上的ACC、NMI、F1和ARI最佳性能值已被重点标注。不同维度上的评价指标最高值大小不同，不同维度范围下对应评价性能最好的聚类算法也有所差异。当特征维度大于40时，SC的ACC和F1值效果最好；当特征维度取70时，ACC值达到0.614 1；当特征维度选择小于40时，GMM的4项评价指标都表现优异；而当特征维度取30时，GMM的4项指标性能最佳，其中ACC值达到0.891 2；在3个聚类集成方法中，不论维度取多少，MCLA的两项指标ACC和F1值均表现最好，当特征维度取80时，ACC值达到0.596 2。