《表2 相关密度聚类算法性能比较Tab.2 Performance Comparison of Relative Density Clustering Algorithm》

  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

《空间密度聚类模式挖掘方法DBSCAN研究回顾与进展》

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

注:A（部分）表示参数MinPts需要用户指定，Eps为自适应确定。

对上述引用量较高且基于启发式方法优化DBSCAN参数的算法性能进行比较分析，如表2，可以得到以下几点结论:（1）优化的DBSCAN算法参数通过分析数据集的统计特征自适应确定时，时间复杂度为DBSCAN算法的1.7倍，且不能适用于大规模数据集和密度分布层次较大的数据集；（2）优化的DBSCAN算法参数部分自适应确定时，其时间复杂度大约为DBSCAN算法的1.5倍，其中部分算法可以用于密度分布层次较大的数据集和大规模数据集，而部分算法则不适用；（3）优化的DBSCAN算法参数由用户指定时，其时间复杂度和DBSCAN算法相同，并且可以用于大规模数据集和密度分布层次较大的数据集。总结上述结论可以发现，根据启发式方法优化的DBSCAN算法很少且几乎没有在参数完全实现自适应确定的情况下还能应用到大规模数据集。