1)Iris也称鸢尾花卉数据集（使用sklearn自带的数据集），它共有4个属性列和一个品种类别列：sepal length（萼片长度）、sepal width（萼片宽度）、petal length（花瓣长度）、petal width （花瓣宽度），单位都是厘米。样本数量150个。分别使用KMeans聚类、DBSCAN算法对大量的鸢尾花数据进行聚类训练，并比较这几种算法的评估性能。要代码

好的，以下是使用KMeans聚类和DBSCAN算法对鸢尾花数据集进行聚类的Python代码：

首先，我们需要导入所需的库和数据集：

from sklearn.datasets import load_iris
from sklearn.cluster import KMeans, DBSCAN
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt

iris = load_iris()
X = iris.data
y = iris.target

接下来，我们使用KMeans算法进行聚类，并计算轮廓系数评估聚类质量：

kmeans = KMeans(n_clusters=3, random_state=0).fit(X)
y_kmeans = kmeans.predict(X)
silhouette_kmeans = silhouette_score(X, y_kmeans)
print("KMeans轮廓系数：", silhouette_kmeans)

然后，我们使用DBSCAN算法进行聚类，并计算轮廓系数评估聚类质量：

dbscan = DBSCAN(eps=0.5, min_samples=5).fit(X)
y_dbscan = dbscan.labels_
silhouette_dbscan = silhouette_score(X, y_dbscan)
print("DBSCAN轮廓系数：", silhouette_dbscan)

最后，我们可以将聚类结果可视化：

plt.scatter(X[:, 0], X[:, 1], c=y_kmeans)
plt.title("KMeans聚类结果")
plt.show()

plt.scatter(X[:, 0], X[:, 1], c=y_dbscan)
plt.title("DBSCAN聚类结果")
plt.show()

完整代码如下：

from sklearn.datasets import load_iris
from sklearn.cluster import KMeans, DBSCAN
from sklearn.metrics import silhouette_score
import matplotlib.pyplot as plt

iris = load_iris()
X = iris.data
y = iris.target

kmeans = KMeans(n_clusters=3, random_state=0).fit(X)
y_kmeans = kmeans.predict(X)
silhouette_kmeans = silhouette_score(X, y_kmeans)
print("KMeans轮廓系数：", silhouette_kmeans)

dbscan = DBSCAN(eps=0.5, min_samples=5).fit(X)
y_dbscan = dbscan.labels_
silhouette_dbscan = silhouette_score(X, y_dbscan)
print("DBSCAN轮廓系数：", silhouette_dbscan)

plt.scatter(X[:, 0], X[:, 1], c=y_kmeans)
plt.title("KMeans聚类结果")
plt.show()

plt.scatter(X[:, 0], X[:, 1], c=y_dbscan)
plt.title("DBSCAN聚类结果")
plt.show()

注意：这里仅仅是一个简单的演示，实际应用中，我们还需要进行更多的数据预处理和调参工作。