3.使用scikit - learn模块中的DBSCAN函数对鸢尾花数据集进行聚类，并可视化聚类结果。

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的聚类算法，它不需要预先指定聚类的数量，适用于非凸形状的簇和噪声点处理。

首先，你需要安装scikit-learn库，如果还没有安装，可以使用pip install scikit-learn命令。然后，你可以按照以下步骤对鸢尾花数据集进行DBSCAN聚类并可视化：

1. 导入所需的库：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.cluster import DBSCAN

2. 加载鸢尾花数据集：

iris = datasets.load_iris()
X = iris.data

3. 设置DBSCAN参数，如eps(邻域半径)和min_samples(最少邻居数):

eps = 0.5   # 聚类阈值
min_samples = 10   # 最小样本点数
db = DBSCAN(eps=eps, min_samples=min_samples)

4. 运行DBSCAN算法并将结果存储在labels变量中：

labels = db.fit_predict(X)

5. 根据聚类标签绘制数据点：

plt.scatter(X[:, 0], X[:, 1], c=labels, cmap='viridis')
plt.title('DBSCAN聚类结果')
plt.xlabel('花瓣长度')
plt.ylabel('花瓣宽度')
plt.show()

这将显示鸢尾花数据集中每个样本点所属的聚类。注意，颜色表示不同的聚类类别。