2.结合scikit-learn库中自带的鸢尾花数据集进行测试 要求：找到并能看懂数据集中数据代表的含义 3.设计DBSCAN算法实现对鸢尾花数据的聚类,并找出最好结果对应参数。 4.聚类的结果用图的方式呈现。

2. 鸢尾花数据集是一个经典的分类问题数据集，包含了三种不同的鸢尾花，每种鸢尾花有四个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。数据集共有150个样本，每个样本包含了这四个特征以及其所属的鸢尾花类别，类别分别为Iris Setosa、Iris Versicolour、Iris Virginica。

3. 设计DBSCAN算法并找出最好结果对应的参数：

DBSCAN算法是一种基于密度的聚类算法，其主要思想是将密度相连的点划分为同一簇。DBSCAN算法需要指定两个参数：半径ε和最小样本数min_samples。其中，半径ε指定了密度相连的点的距离范围，最小样本数min_samples指定了满足密度要求的最小样本数。

可以使用Python中的Scikit-learn库中的DBSCAN类来实现DBSCAN算法，代码如下：

from sklearn import datasets
from sklearn.cluster import DBSCAN

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

# 使用DBSCAN算法进行聚类
dbscan = DBSCAN(eps=0.5, min_samples=5)
dbscan.fit(X)

# 输出聚类结果
print(dbscan.labels_)

在上面的代码中，我们使用DBSCAN算法对鸢尾花数据进行聚类，并将半径ε设置为0.5，最小样本数min_samples设置为5。可以通过调整这两个参数来获取不同的聚类结果。

4. 使用图的方式呈现聚类结果：

可以使用Matplotlib库中的scatter函数来将聚类结果可视化呈现。代码如下：

import matplotlib.pyplot as plt

# 将聚类结果可视化呈现
plt.scatter(X[:, 0], X[:, 1], c=dbscan.labels_)
plt.xlabel('sepal length')
plt.ylabel('sepal width')
plt.show()

在上面的代码中，我们使用scatter函数将鸢尾花数据集的前两个特征作为坐标轴，用不同的颜色表示不同的聚类簇。可以通过调整不同的特征和颜色映射来获取不同的可视化结果。