聚类是无监督学习的一个重要方法，聚类是将样本集D划分为若干互不相交的子

聚类是无监督学习的一个重要方法，聚类是将样本集D划分为若干互不相交的子集，即样本簇。聚类的思想就是把属性相似的样本归到一类。对于每一个数据点，我们可以把它归到一个特定的类，同时每个类之间的所有数据点在某种程度上有着共性，使得簇内相似度高且簇间相似度低。<br>本文是基于鸢尾花数据集进行了三种不同聚类算法的实现。首先导入了鸢尾花数据集；其次对数据集进行降维处理，将处理后的数据集选取不同的k值，进行三种不同聚类，分别是基于划分的K-Means聚类、基于密度的DBSCAN聚类和基于层次的AGNES聚类，然后通过python编码实现聚类；最后将结果进行可视化，将评价指标进行量化。将由聚类结果分析，当k=3是与实际意义相符的，同时，不同的聚类方法在对同一数据集进行聚类时，会得到不同的聚类效果，对于不同的评价指标又各有优势。

聚类是无监督学习的一个重要方法，聚类是将样本集D划分为若干互不相交的子集，即样本簇。 聚类的思想就是把属性相似的样本归到一类。 对于每一个数据点，我们可以把它归到一个特定的类，同时每个类之间的所有数据点在某种程度上有着共性，使得簇内相似度高且簇间相似度低。<br>本文是基于鸢尾花数据集进行了三种不同聚类算法的实现。 首先导入了鸢尾花数据集；其次对数据集进行降维处理，将处理后的数据集选取不同的k值，进行三种不同聚类，分别是基于划分的K-Means聚类、基于密度的DBSCAN聚类和基于层次的AGNES聚类，然后通过python编码实现聚类；最后将结果进行可视化，将评价指标进行量化。 将由聚类结果分析，当k=3是与实际意义相符的，同时，不同的聚类方法在对同一数据集进行聚类时，会得到不同的聚类效果，对于不同的评价指标又各有优势。

聚类是无监督学习的一个重要方法，聚类是将样本集D划分为若干互不相交的子集，即样本簇。聚类的思想就是把属性相似的样本归到一类。对于每一个数据点，我们可以把它归到一个特定的类，同时每个类之间的所有数据点在某种程度上有着共性，使得簇内相似度高且簇间相似度低。本文是基于鸢尾花数据集进行了三种不同聚类算法的实现。首先导入了鸢尾花数据集；其次对数据集进行降维处理，将处理后的数据集选取不同的k值，进行三种不同聚类，分别是基于划分的K-Means聚类、基于密度的DBSCAN聚类和基于层次的AGNES聚类，然后通过python编码实现聚类；最后将结果进行可视化，将评价指标进行量化。将由聚类结果分析，当k=3是与实际意义相符的，同时，不同的聚类方法在对同一数据集进行聚类时，会得到不同的聚类效果，对于不同的评价指标又各有优势。