python代码：结合几个聚类评估指标找到聚类效果最好的算法和参数

聚类算法是无监督学习的一种，对于不同的数据集和问题，不同的聚类算法可能会得到不同的聚类效果。因此，需要结合多个聚类评估指标来找到聚类效果最好的算法和参数。

以下是一个结合多个聚类评估指标找到聚类效果最好的算法和参数的Python代码示例：

from sklearn import datasets
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score, calinski_harabasz_score, davies_bouldin_score

# 加载数据集
iris = datasets.load_iris()
X = iris.data

# 定义要尝试的参数
n_clusters = [2,3,4,5,6,7]

# 初始化评估指标的最小值
best_silhouette_score = -1
best_calinski_harabasz_score = -1
best_davies_bouldin_score = 1000

# 循环尝试不同的参数
for n in n_clusters:
    # 定义聚类器
    kmeans = KMeans(n_clusters=n, random_state=42)
    # 进行聚类
    kmeans.fit(X)
    # 计算评估指标
    silhouette = silhouette_score(X, kmeans.labels_)
    calinski_harabasz = calinski_harabasz_score(X, kmeans.labels_)
    davies_bouldin = davies_bouldin_score(X, kmeans.labels_)
    # 更新最佳评估指标
    if silhouette > best_silhouette_score:
        best_silhouette_score = silhouette
        best_silhouette_params = {'n_clusters': n}
    if calinski_harabasz > best_calinski_harabasz_score:
        best_calinski_harabasz_score = calinski_harabasz
        best_calinski_harabasz_params = {'n_clusters': n}
    if davies_bouldin < best_davies_bouldin_score:
        best_davies_bouldin_score = davies_bouldin
        best_davies_bouldin_params = {'n_clusters': n}

# 输出最佳评估指标和对应的参数
print('Best Silhouette Score:', best_silhouette_score)
print('Best Silhouette Parameters:', best_silhouette_params)
print('Best Calinski-Harabasz Score:', best_calinski_harabasz_score)
print('Best Calinski-Harabasz Parameters:', best_calinski_harabasz_params)
print('Best Davies-Bouldin Score:', best_davies_bouldin_score)
print('Best Davies-Bouldin Parameters:', best_davies_bouldin_params)

上述代码中，我们首先加载了一个经典的鸢尾花数据集，然后定义了要尝试的参数，即聚类的簇数。接着，我们循环尝试不同的参数，并计算三个聚类评估指标：轮廓系数、Calinski-Harabasz指数和Davies-Bouldin指数。在每次循环中，我们更新三个指标的最佳值和对应的参数。最后，我们输出了三个指标中的最佳值和对应的参数。

这个示例代码中使用了KMeans算法，但是你也可以将其替换为其他聚类算法，如DBSCAN、层次聚类等，以找到最优的聚类算法和参数。