分别使用k-means、k medoids和DBSCAN算法对Sklearn中的鸢尾花数据集进行聚类(聚类数目设置为3)，并评估这3种聚类算法的准确率。

首先，让我们了解这三种聚类算法：

1. **K-means**：这是一种基于距离的迭代算法，通过不断调整质心（中心点）使得每个样本点与其所属的簇中心的距离最小。它需要预先设定聚类的数量k。

2. **K-medoids (PAM)**：类似于K-means，但它选择的是每个簇内的代表样本（medoid），而非质心。这种方法对于离群值更鲁棒，因为它考虑了簇内所有样本。

3. **DBSCAN**：是一种密度聚类算法，不需要指定聚类数量。它将高密度区域视为一个簇，并能自动发现任意形状的簇和噪声点。

为了对sklearn的鸢尾花数据集进行聚类，我们可以按照以下步骤操作：

from sklearn import datasets
from sklearn.cluster import KMeans, DBSCAN, MiniBatchKMeans, OPTICS
from sklearn.metrics import accuracy_score, confusion_matrix

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

# 使用K-means
kmeans = KMeans(n_clusters=3)
kmeans.fit(X)
y_pred_kmeans = kmeans.labels_
accuracy_kmeans = accuracy_score(y, y_pred_kmeans)

# 使用K-medoids
k_medoids = MiniBatchKMedoids(n_clusters=3)
k_medoids.fit(X)
y_pred_kmedoids = k_medoids.labels_
accuracy_kmedoids = accuracy_score(y, y_pred_kmedoids)

# 使用DBSCAN
dbSCAN = DBSCAN(eps=0.5, min_samples=10)  # 调整超参数可能影响结果
dbSCAN.fit(X)
y_pred_dbscan = dbSCAN.labels_
accuracy_dbscan = accuracy_score(y, y_pred_dbscan)

# 由于DBSCAN无需预先指定聚类数，这里我们可能需要找到最佳的核心半径（epsilon）和邻域大小（min_samples）
# 可使用 elbow method 或 silhouette score 来确定合适的参数

confusion_matrices = {
    'K-Means': confusion_matrix(y, y_pred_kmeans),
    'K-Medoids': confusion_matrix(y, y_pred_kmedoids),
    'DBSCAN': confusion_matrix(y, y_pred_dbscan)
}

print(f"Accuracy for K-Means: {accuracy_kmeans}")
print(f"Accuracy for K-Medoids: {accuracy_kmedoids}")
print(f"Accuracy for DBSCAN: {accuracy_dbscan}")

#