Số mẫu OriEFART ComEFART OriFART ComFART EucART K-mean
4898 34.73 43.32 21.95 17.78 17.07 32.24
4000 37.75 33.18 23.48 15.425 18.45 32.1
3000 41.57 12.67 28.47 18.13 16.93 30.47
2000 43.6 4.3 26.3 21.3 19.25 29.8
Kiểm tra với tập BALANCE-SCALE
Sự phân bố số mẫu trong ba lớp là không đều với mức độ chênh lệch cao. Bảng 4.16 cho thấy Orginal EFART phân lớp tốt hơn đáng kể so với các mô hình khác trong mọi kiểm tra con ngoại trừ kiểm tra cuối cùng với số mẫu ít nhất (100 trong số 625 mẫu).
Kiểm tra với tập R15
Sự phân bố số mẫu trong 15 lớp là đồng đều. Dữ liệu của Bảng 4.17 cho thấy kết quả phân lớp đúng của Orginal EFART cao hơn so với các mô hình khác trong mọi kiểm tra con ngoại trừ kiểm tra cuối cùng với số mẫu ít nhất (100 trong số 600 mẫu) .
Kiểm tra với tập MONK
Sự phân bố số mẫu trong hai lớp là đồng đều. Bảng 4.18 cho thấy Orginal EFART phân lớp tốt hơn so với các mô hình khác trong mọi kiểm tra con ngoại trừ kiểm tra cuối cùng với số mẫu ít nhất (100 trong số 459 mẫu) .
Kiểm tra với tập WINE-RED
Sự phân bố số mẫu trong sáu lớp là không đều với mức độ chênh lệch cao. Số liệu của Bảng 4.19 cho thấy khả năng phân lớp đúng của Orginal EFART là tốt hơn so với các mô hình khác trong mọi kiểm tra con nhƣng hơi thấp hơn Complement Fuzzy ART trong kiểm tra con đầu tiên (0.13%).
Kết quả từ các thử nghiệm con của 7 thử nghiệm đƣợc tổng hợp trong Bảng 4.20. Các dữ liệu thể hiện sự cải thiện khả năng phân lớp của EFART so với mô hình tốt nhất thứ hai.
Bảng 4.20 cho thấy khả năng của phân lớp của Fuzzy ART với luật học thứ hai cải thiện đáng kể đối với các tập dữ liệu nhỏ có độ phức tạp cao (nhiều thuộc tính, phân phối số mẫu không đồng đều với độ lệch cao). Đặc biệt, kết quả phân lớp là cao khi tập dữ liệu có chứa nhiều mẫu