对于X,Y = make_moons(n_samples=400,shuffle=True,noise=0.1,random_state=136)，使用AGNES聚类算法中cluster = AgglomerativeClustering(n_clusters=2, distance_threshold=None, linkage='single').fit(X)怎么调参最优，写出代码

AGNES聚类算法中有两个重要的参数需要调整：n_clusters和linkage。

其中，n_clusters表示聚类的簇数，linkage表示聚类时使用的距离度量方式。

下面是使用网格搜索(GridSearchCV)来寻找最优参数的代码：

from sklearn.datasets import make_moons
from sklearn.cluster import AgglomerativeClustering
from sklearn.model_selection import GridSearchCV

# 生成数据
X, Y = make_moons(n_samples=400, shuffle=True, noise=0.1, random_state=136)

# 定义模型
model = AgglomerativeClustering()

# 定义参数搜索范围
param_grid = {
    "n_clusters": [2, 3, 4, 5, 6],
    "linkage": ["ward", "complete", "average", "single"]
}

# 定义网格搜索
grid_search = GridSearchCV(
    model, param_grid, cv=5, scoring="adjusted_rand_score"
)

# 进行网格搜索
grid_search.fit(X)

print("最优参数：", grid_search.best_params_)
print("最优得分：", grid_search.best_score_)

在上述代码中，我们使用了网格搜索来寻找最优参数。其中，param_grid指定了搜索的参数范围，cv=5指定了使用5折交叉验证来评估每个参数组合的性能，scoring="adjusted_rand_score"指定了评估指标为调整兰德指数。

最后，我们输出了最优参数和最优得分。