《表3 各算法单次运行时间比较》

  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

《不确定NNSB-OPTICS聚类算法在滑坡危险性预测中的研究与应用》

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

/ms

由表2的实验对比结果可以看出，在四个UCI数据集上，NNSB-OPTICS聚类算法的平均准确率均要优于其他三个算法，从最优结果和最差结果差值的对比上看，NNSB-OPTICS聚类算法差值明显较小，说明NNSB-OPTICS聚类算法聚类准确率较高且聚类结果稳定性较好，原因是:a) NNSB-OPTICS算法避免了人为设置密度阈值，减小了人为因素对聚类结果的影响；b) NNSB-OPTICS算法扩张完成后，根据最近邻指向进行结果重组织策略将边界点划分到最近邻的密集区中，提高了聚类准确率。但是从最优结果显示，在iris和wine数据集上，不确定NNSB-OPTICS算法的最优结果要低于OPTICS-PLUS聚类算法，这是因为iris数据集的一类样本点与二类样本点、wine数据集三类样本点均存在数据交叉，且交叉部分数据密度分部变化较小，导致NNSB-OPTICS聚类算法产生的点平均距离排序波动平缓，类簇识别效果较差，这是NNSB-OPTICS聚类算法需要进一步改进的地方。从表3中各算法时间效率比较上看，NNSB-OPTICS聚类算法单次运行时间最少，时间效率具有明显的优势。