《表1 不同聚类算法在不同数据集聚类性能比较 (精度均值±标准差, 最佳性能, 运行时间)》
对比算法的选择取决于算法特点、代码的可用性,以及与此算法的相关性。由于算法GPCA(gen-eralized principal component analysis)、K-planes、LSA(latent semantic analysis)、SCC(spectral curvature clustering)是几种典型的适用于简单、线性流形聚类方法,与本文提出的算法相关性差异较大。本文选择对比算法时,选择以下几种非线性流形聚类算法进行比较:K-means[9]、SC算法[2]、K-manifolds算法[17]、SMMC[15]。分别在图1(a)~(e)合成数据上进行实验,计算均值和标准差、最高精度,以及运行的平均时间,结果如表1所示。
图表编号 | XD0069560600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.01 |
作者 | 罗养霞、马迪、常言说 |
绘制单位 | 西安财经大学信息学院、密西根大学迪尔伯恩分校计算机与信息科学系、密西根大学迪尔伯恩分校计算机与信息科学系、西安财经大学信息学院、计算机应用与商务智能研究中心 |
更多格式 | 高清、无水印(增值服务) |