《表3 4种聚类算法的轮廓系数Tab.3 Contour coefficient of four clustering algorithms》

  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

《不同耕地空间聚类算法的对比分析研究》

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

从表3轮廓系数比较，易发现CURE算法相对比较合理。这是由于传统的算法常常采用一个对象来代表一个类。如在K-medoids聚类算法中仅由中心点代表聚类，把每个对象划归到它最邻近的代表所表示的类中，这种算法对于非球状簇效果不好。而在Single link聚类算中，每个类都用该类中所有的对象代表，两类之间的相似度用不同类中最近的对象的相似度来衡量，这种算法有时会表现出无意义或者不合逻辑的模式。而CURE算法选择基于质心和基于代表对象方法之间的中间策略，由分散的若干对象，在按收缩因子移向其所在类的中心之后来代表该类。对于相对离散和不规律分布的耕地数据，利用CURE算法的中间策略，有利于提高聚类内部的凝聚度和聚类之间的分离度，使聚类更加紧凑。由于CURE算法采用多个对象来代表一个类，并通过收缩因子来调节类的形状，在效率、对异常数据的敏感性及对数据输入敏感性方面要优于其他一些算法，因此，能够有效地处理非球形的对象分布，得到较好的耕地聚类效果。