第3期 黄栋，等：基于决策加权的聚类集成算法 .423. 时，HBGF、EAC、WEAC以及本文方法均有较高运算 效率。而当数据规模继续增长时，本文方法相对于其 。一本文方法米一EAC日一HBGF e—SRS -4-WCT-★-WEAC 他方法的效率优势开始变大。对于整个LR数据集 -·A-GP-MGLA 20000个数据点的规模，本文方法仅需要6.19s:除本 0.77 文方法之外，其他对比方法之中最快的3个方法 (HBGF、EAC和WEAC)则分别需要12.18、34.48和 是076 33.87s的运算时间。图4验证了本文方法的优势。 0.75 ◆一本文方法米一EAC一日一HBGF 040 10 2030405060 SRS-WCT.-WEAC 聚类集成规模 0.50r --A-GP-MGLA (e)ISOLET ●一本文方法米一EAC -e-HBGF 0.45 -.-WCT -·★-WEAC-a-GP-MGLA 0.80r 0.40 0.78 0.35 0 10203040 5060 0.76 聚类集成规模 (a)Glass ●一本文方法米一EAC日一HBGF 0740 10 203040 5060 e一SRS-g-WCT-★-WEAC 聚类集成规模 --A-GP-MGLA 0.70r (f)PD 差065 美d ●一本文方法米一EACB一HBGF 一米 --4.-WCT -★-WEAC-A-GP-MGLA 0.40 0.65 0 10203040 5060 聚类集成规模 (b)Ecoli ●一本文方法米一EACB一HBGF 0.60 年 o-SRS-g-WCT-★-WEAC --A-GP-MGLA 0.66r ●●● 0.64 .A 0.55 0 10203040 50 60 差062 聚类集成规模 0.60 (g)USPS 0.58 0102030405060 聚类集成规模 一●一本文方法米一EAC B一HBGF (c)IS ----WCT -★-WEAC-a-GP-MGLA ●一本文方法米一EAC一B一HBGF 0.50r SRS -4-WCT-★-WEAC 0.70r --A.-GP-MGLA 0.45 0.44 0.65 米一 0.43 0 203040 5060 0.60 聚类集成规模 (h)LR 0.55 0 10 203040 5060 图3各个方法的聚类集成性能 聚类集成规模 Fig.3 The performances of different clustering ensem- (d)MNIST ble methods with varying ensemble sizes时，ＨＢＧＦ、ＥＡＣ、ＷＥＡＣ 以及本文方法均有较高运算 效率。 而当数据规模继续增长时，本文方法相对于其 他方法的效率优势开始变大。 对于整个 ＬＲ 数据集 ２０ ０００ 个数据点的规模，本文方法仅需要６．１９ ｓ；除本 文方法之外，其他对比方法之中最快的 ３ 个方法 （ＨＢＧＦ、ＥＡＣ 和 ＷＥＡＣ）则分别需要 １２．１８、３４．４８ 和 ３３．８７ ｓ 的运算时间。 图 ４ 验证了本文方法的优势。 （ａ）Ｇｌａｓｓ （ｂ）Ｅｃｏｌｉ （ｃ）ＩＳ （ｄ）ＭＮＩＳＴ （ｅ）ＩＳＯＬＥＴ （ｆ）ＰＤ （ｇ）ＵＳＰＳ （ｈ）ＬＲ 图 ３ 各个方法的聚类集成性能 Ｆｉｇ．３ Ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｃｌｕｓｔｅｒｉｎｇ ｅｎｓｅｍ⁃ ｂｌｅ ｍｅｔｈｏｄｓ ｗｉｔｈ ｖａｒｙｉｎｇ ｅｎｓｅｍｂｌｅ ｓｉｚｅｓ 第 ３ 期 黄栋，等：基于决策加权的聚类集成算法 ·４２３·