《表2 不同聚类方法在不同维度的实验结果》
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。
图表编号 | XD00222692000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.10 |
作者 | 张晓博、杨燕、李天瑞、陆凡、彭莉兰 |
绘制单位 | 西南交通大学信息科学与技术学院、西南交通大学人工智能研究院、综合交通大数据应用技术国家工程实验室(西南交通大学)、西南交通大学信息科学与技术学院、西南交通大学人工智能研究院、综合交通大数据应用技术国家工程实验室(西南交通大学)、西南交通大学信息科学与技术学院、西南交通大学人工智能研究院、综合交通大数据应用技术国家工程实验室(西南交通大学)、西南交通大学信息科学与技术学院、西南交通大学人工智能研究院、综合交通大数据应用技术国家工程实验室(西南交通大学)、西南交通大学信息科学与技术学院、西南交通大学人工智能研 |
更多格式 | 高清、无水印(增值服务) |