《表9 不同的k值在delicious上的实验结果》

《表9 不同的k值在delicious上的实验结果》   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
《ML-kNN算法在大数据集上的高效应用》


  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

由表6~表9可知,在数据集scene上,k=1时实验效果最好;在数据集Yeast上,k=2时实验效果最好;在数据集corel5k和delicious上,k=1时实验效果最好。并综合上述实验数据可知,k的取值对算法的五大性能指标和时间复杂度只有着很小的影响。因为只有当k的取值范围足够大时才可能会较大幅度的影响算法的性能,而本文算法中的最近邻数k的取值一定不会大于训练数据的聚类簇数,这就决定了本文算法中k的取值只能在一个很小的范围内波动。