任务：学习经典聚类算法、⼯程实现、结果分析 数据集：⼿写数字图像数据集MNIST 数据处理：为每⼀类随机挑选100个图像，共1000个； 将图像拉伸为⼀个向量； 将每个数据归⼀化处理。 要求：KMEANS算法（K=10）和DBSCAN算法 结果分析： 跟真实类别对⽐，展示⾄少1个不正确的结果，猜测原因 计算带矫正的互信息（AMI）和翦影值（silhouette 【将这段描述转为详细的实验要求】

实验要求如下：

1. 数据集：使用MNIST手写数字图像数据集，从每一类中随机选择100个图像，共1000个。将图像拉伸为一个向量，并进行归一化处理。

2. 实现算法：使用经典聚类算法K-Means（K=10）和DBSCAN算法进行聚类。

3. 结果分析：与真实类别进行对比，展示至少一个不正确的结果，并猜测原因。计算带矫正的互信息（AMI）和翦影值（silhouette）。

具体实验步骤如下：

1. 数据预处理：从MNIST数据集中随机选择100个图像，共1000个。将每个图像拉伸为一个向量，并进行归一化处理。

2. 实现K-Means算法：使用K-Means算法对处理后的数据进行聚类，设置K值为10。

3. 实现DBSCAN算法：使用DBSCAN算法对处理后的数据进行聚类。需要注意的是，DBSCAN算法需要调整参数，如eps和min_samples等。

4. 结果分析：将聚类结果与真实类别进行对比，展示至少一个不正确的结果，并猜测原因。

5. 计算AMI和silhouette：使用sklearn.metrics库中的adjusted_mutual_info_score和silhouette_score函数计算带矫正的互信息（AMI）和翦影值（silhouette）。

6. 结果可视化：将聚类结果可视化展示，可以使用t-SNE或PCA进行降维处理。