《表2 数据集上各算法所得聚类正确率 (ACC) 和标准化互信息 (NMI) 》

  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mutual KNN和标准化的谱聚类算法》

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

为了说明所提出的MKSC算法的稳定性和有效性，在表2中，本文将改进后的聚类算法在各个数据集上的聚类准确率（ACC）以及标准化互信息（NMI）进行归纳统计。通过数据可观察到该算法的ACC和NMI的值均高于对比算法的结果。对于4组数据集而言，本文MKSC算法得到的聚类平均正确率为70.36%，而其它对比算法中LSR所得的最好结果为65.09%，两者相差了5.27%。相比较而言，在对比算法中以k-means所得最差的聚类平均准确率为54.63%，可见改进后的算法提高了15.73%，进一步说明了算法的稳定性。其中在Dermatology数据集上MKSC算法的聚类准确率结果明显高于k-means聚类的结果，提高了23.84%。对于NMI而言，在数据集Zoo上，本文聚类算法远远高出了k-means 26.40%。对于MKSC算法得到的聚类的平均标准化互信息为56.87%，而其它对比算法中LSR所得的最好结果为50.59%，两者相差6.28%。相比较而言在对比算法中以k-means所得最差的聚类平均标准化互信息为41.59%，可见改进后的算法提高了15.28%，进一步说明了算法的稳定性和有效性。