《表7 两种算法对数据集soybean特征选择的实验结果》

  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EK-medoids聚类和邻域距离的特征选择方法》

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

由表5～7的实验结果分析可知，在经过算法2的特征选择后重新聚类的各项指标与文献[10]所提出的算法1进行特征选择后重新聚类的各项指标对比，算法2在表5和6中召回率的标准差略低于文献[10]所提出的算法1，在表7中的召回率的最大值和表7中类精度的标准差略低于文献[10]所提出的算法1。其主要原因是由于所选特征子集的结构特性而导致的。算法2的其他指标的实验结果均明显优于文献[10]所提出的算法1。表5～7的实验结果说明了两种特征选择算法再重新聚类时，本文所提出的算法2的各项指标均优于文献[10]所提出的算法1，从而反映出算法2所选的特征子集在分类精度和正确率方面均高于文献[10]所提出的算法1。这些实验结果充分表明本文所提出的基于EK-medoids聚类和邻域距离的特征选择算法不仅可以有效提高聚类算法的精度，还可以选择出分类精度较高的特征子集，从而验证了本文所提出的聚类优化特征选择算法的有效性和适用性。