已知数据集为用X,Y = make_moons(n_samples=400,shuffle=True,noise=0.1,random_state=136),其标签为0或1。用手写K-Means++，AGNES,DBSCAN这三种算法建立模型，使三种模型的准确率都达到百分之九十以上，用文字描述这三种模型的调参过程。并用轮廓系数和准确率来评估，用文字说明轮廓系数的局限性以及准确率高的模型效果为什么好，用文字说明为什么K-Means++的轮廓系数比其他算法的要高，准确率却比其他两个算法的要低

针对这个问题，我来逐一回答。

首先，针对这个数据集，我们可以用K-Means++，AGNES和DBSCAN三种算法进行建模，以达到准确率都达到90%以上的要求。

对于K-Means++算法，我们需要调整的参数包括簇的数量K以及聚类的初始点的选择方法。我们可以通过手肘法确定最佳的K值，并通过K-Means++算法中的簇中心的随机初始化来选择聚类的初始点。在这个过程中，我们需要注意的是，如果选择的K过大或过小，都会影响聚类的效果，因此需要进行适当的调整。

对于AGNES算法，我们需要调整的参数包括聚类的方式以及聚类的阈值。在聚类的方式上，我们可以选择单链接（single-linkage）、完全链接（complete-linkage）或平均链接（average-linkage）等不同的方式。在聚类的阈值上，我们可以通过手肘法或其他的评估方法来确定最佳的聚类阈值。

对于DBSCAN算法，我们需要调整的参数包括邻域的半径以及密度的阈值。我们可以通过手肘法或其他的评估方法来确定最佳的邻域半径和密度阈值。需要注意的是，如果邻域半径过小或密度阈值过大，可能会导致聚类效果不佳。

在评估聚类算法的效果时，我们通常会使用轮廓系数和准确率来进行评估。轮廓系数可以用来衡量聚类的紧密度和分离度，其值越接近1表示聚类效果越好，但其局限性在于它只适用于凸形簇，对于非凸形簇的聚类效果评估不够准确。准确率则可以用来衡量聚类的分类效果，其值越高表示聚类效果越好。因此，准确率高的模型效果比较好。

针对K-Means++算法的轮廓系数比其他算法高但准确率低的情况，这是因为轮廓系数只衡量了聚类的紧密度和分离度，而没有考虑到聚类的分类效果。因此，即使轮廓系数高，但如果分类效果不好，聚类效果也会不理想。而K-Means++算法可能因为聚类的方法和聚类中心的选择等因素，使得聚类的紧密度和分离度相对较高，但分类效果不够好，因此准确率不如其他算法高。

综上所述，对于这个数据集，我们可以通过手写K-Means++，AGNES和DBSCAN三种算法建立模型，调整不同的参数以达到准确率都达到90%以上的要求。在评估聚类算法的效果时，我们可以使用轮廓系数和准确率来进行评估，但需要注意轮廓系数的局限性以及准确率高的模型效果为什么好。