多种聚类算法性能的比较分析

• 作者: 李兆信 纪汉霖
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: 聚类算法 机器数据集 性能 效率 敏感性
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 智能、算法、系统工程
• 页码范围: 14-21
• 页数: 8页
• 分类号: TP391
• 字数: 5867字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2020.08.003

摘要

聚类模型是数据挖掘的重要模型,聚类相关模型比较多,聚类算法对数据特征等有较高的要求,目前广泛应用于人工智能、数据分析等领域.选取了六种不同类型的聚类算法,即Affinity Propagation、Birch、Gaussian Mixture Model、Hierarchical clustering、K-means和Spectral,并对其进行了对比分析.采用由机器生成的符合大数据时代下数据特性的数据集而非UCI数据库中符合特定形态的标准测试集,并在数据集上对算法进行了性能测试、效率测试和敏感性分析.研究结果显示,在性能测试上:AP算法聚类效果最佳,其次是K-means算法.Affinity Propagation算法对数据的要求高,使用范围小,K-means适用性和稳定性相对比较好;在效率测试上,Affinity Propagation算法最差,其次是Spectral算法;在敏感性上,K-means算法和Hierarchical clustering算法对数据的数量级不敏感,Spectral算法对数量级比较敏感.从聚类效果、性能和对数量级的敏感性三个方面综合来看,K-means算法相对优于其他五种聚类算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	纪汉霖		48	555	10.0	22.0
2	李兆信		1	0	0.0	0.0