《表3 各特征选择方法最佳性能对比》

  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

《基于节点度中心性的无监督特征选择》

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

DCFS在图3（a），（d） ，（e） 上表现出很大优势。（a）中特征选择数量从70变动到140的过程中，DCFS的效果保持稳定，此时可以认为特征数量为70且θ=0.4时，DCFS达到最优，之后增加的特征（排名71～140）为冗余特征，并未影响聚类算法的判别能力。当k>140，算法判别能力急剧下降。DCFS的性能在（d）上随k值增大而增大。在图3（e）上特征数量较少时略有波动，而后趋于平稳。图3（b）和（c）显示DCFS在特征数量较少时效果较好，并在某k值达到最高峰值；但是特征数量上升时，NMI剧烈震荡并下降。图3（f）中的DCFS方法效果并不突出，考虑到USPS数据集的特征数量，由于特征数量很少（M=256），θ取值为0.5时，特征网络中的结构不够清晰，所有节点的度中心性比较接近，所以导致对K均值聚类的效果提升并不大；在θ=0.1时，特征网络只有很少的节点（34个）和连边（62个），不足以反映全局的特征结构。图4中图3（d）和（e）数据集从类型、特征数量和标签数量等方面看非常相似，结果却不太相同，可能的原因为:特征向量的维度决定关联度的准确性。实际上，此时选择结果显示，样例少的warpAR10P（N=130）的准确度低于在warpPIE10P（N=210）上的准确度。图2所示为USPS在不同阈值下的特征网络G（V，E）。表3为6种方法的性能比较。