编写一个Python程序。 层次聚类算法、K-means、K-medoids算法、DBSCAN算法 对鸢尾花数据集 进行聚类 k=3 聚类结果可视化+模型评价 对比出哪个算法效果好

要编写一个Python程序来比较层次聚类（Hierarchical Clustering）、K-means、K-medoids和DBSCAN这四种聚类算法在鸢尾花数据集上进行k=3的聚类，并结合可视化和模型评价，首先你需要安装必要的库如`scikit-learn`, `matplotlib`, 和 `seaborn`。以下是代码的一个简略示例：

# 导入所需的库
import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.cluster import (
    AgglomerativeClustering,
    KMeans,
    KMedoids,
    DBSCAN,
)
from sklearn.metrics import silhouette_score, calinski_harabasz_score
import matplotlib.pyplot as plt
import seaborn as sns

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 设置k值为3
k = 3

# 定义各种聚类算法
algorithms = {
    "层次聚类": AgglomerativeClustering(n_clusters=k),
    "K-means": KMeans(n_clusters=k),
    "K-medoids": KMedoids(n_clusters=k),
    "DBSCAN": DBSCAN(eps=0.5, min_samples=5),  # 示例设置，实际需要调整参数
}

# 对每个算法进行聚类
cluster_results = {}
for name, algorithm in algorithms.items():
    algorithm.fit(X)
    cluster_labels = algorithm.labels_
    cluster_results[name] = {
        'labels': cluster_labels,
        'metrics': {
            'Silhouette Score': silhouette_score(X, cluster_labels),
            'Calinski-Harabasz Score': calinski_harabasz_score(X, cluster_labels),
        }
    }

# 可视化聚类结果
sns.pairplot(pd.DataFrame(X, columns=iris.feature_names), hue=cluster_results['层次聚类']['labels'])
plt.show()

# 模型评价
results_df = pd.DataFrame.from_dict(cluster_results, orient='index')
print(results_df[['metrics.Silhouette Score', 'metrics.Calinski-Harabasz Score']])

# 结论 - 通常，评价指标较高的算法效果较好，但要根据具体场景选择最合适的算法
best_algorithm = results_df.sort_values(by='metrics.Silhouette Score', ascending=False).iloc[0].name
print(f"根据Silhouette Score，{best_algorithm} 算法的效果最好.")