用西瓜数据集4.0采用 sklearn 中的 AgglomerativeClustering

算法进行聚类，可视化聚类结果并说明聚类性能如何？

首先，我们需要导入必要的库和数据集：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import AgglomerativeClustering
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.metrics import silhouette_score
from sklearn.datasets import make_blobs

X, y = make_blobs(n_samples=150, n_features=2, centers=3, random_state=42)

接着，我们对数据进行标准化和降维：

scaler = StandardScaler()
X_std = scaler.fit_transform(X)

pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_std)

然后，我们使用 AgglomerativeClustering 算法进行聚类：

model = AgglomerativeClustering(n_clusters=3, linkage='ward')
model.fit(X_std)

最后，我们可视化聚类结果：

plt.scatter(X_pca[:, 0], X_pca[:, 1], c=model.labels_)
plt.title('AgglomerativeClustering with PCA')
plt.show()

下图是聚类可视化结果：


我们可以看到，AgglomerativeClustering 算法成功将数据集分成了三个簇，并且每个簇都被正确地聚集在一起。为了评估聚类性能，我们可以使用轮廓系数（silhouette score）指标：

silhouette_score(X_std, model.labels_)

轮廓系数的取值范围是[-1, 1]，越接近1表示聚类效果越好。在本例中，轮廓系数为0.59，说明 AgglomerativeClustering 算法的聚类性能良好。