《表5 基于UCI数据集的各聚类算法对比结果 (λ=10%)》

  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

《参数自适应学习的半监督混合聚类算法》

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

为了进行比较分析6个算法的F-score值，设置λ=10%，对两个数据集整理实验结果，见表5。对比K-means算法，SSPSO算法，APO-SSPSO算法，ABC算法，SSABC算法和APL-SSHC算法的聚类F-Score值比较大，表明这两种算法的执行效果较好，其中，在这4个数据集上，APL-SSHC算法相较于其它算法，其表现出的聚类效果都是最佳的，而K-means算法在聚类执行表现中其效果最差。APL-SSHC算法进行聚类表现出的F-Score值相较于K-means算法聚类表现出的F-Score值在这4种数据集上相比都表现出是有所提高的，针对Glass该算法约提高了25.6%，针对Iris提高了约4.5%，这也就表明在本章所提出的进行优化了的算法与其它算法进行比较是具备很大的优越性。但是与其它5个算法在实践效果进行比较时，SSABC算法与APO-SSPSO算法两者在实践效果上是几乎相差不多的，针对不同的数据集，通过比较3种算法的F-Score值可以看出，SSABC算法的值要大于SSPSO算法，而与ABC算法相比可知，SSPSO算法的F-Score值也有较高的提升，且前者又比K-means算法的F-Score值大。从对比结果上可以表明APL-SSHC算法是具有较优的聚类效果。