一、数据集选择：
Iris数据集。
二、实验代码：
#对比k-means、密度聚类和层次聚类性能
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.cluster import KMeans, DBSCAN, AgglomerativeClustering
from sklearn.preprocessing import StandardScaler
import seaborn as sns
# 加载Iris数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 数据标准化（对于k-means和DBSCAN可能是有必要的）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# k-means聚类
kmeans = KMeans(n_clusters=3, random_state=0)
y_kmeans = kmeans.fit_predict(X_scaled)
# 密度聚类（DBSCAN）
dbscan = DBSCAN(eps=0.5, min_samples=5)
y_dbscan = dbscan.fit_predict(X_scaled)
# 层次聚类
agg_clustering = AgglomerativeClustering(n_clusters=3)
y_agg = agg_clustering.fit_predict(X_scaled)
# 绘制k-means聚类结果
plt.figure(figsize=(10, 4))
plt.subplot(1, 3, 1)
sns.scatterplot(x=X_scaled[:, 0], y=X_scaled[:, 1], hue=y_kmeans, palette='viridis')
plt.title('K-Means Clustering')
# 绘制DBSCAN聚类结果
plt.subplot(1, 3, 2)
sns.scatterplot(x=X_scaled[:, 0], y=X_scaled[:, 1], hue=y_dbscan, palette='viridis')
plt.title('DBSCAN Clustering')
# 绘制层次聚类结果
plt.subplot(1, 3, 3)
sns.scatterplot(x=X_scaled[:, 0], y=X_scaled[:, 1], hue=y_agg, palette='viridis')
plt.title('Agglomerative Clustering')
plt.tight_layout()
plt.show()三、三种聚类方法的实验结果图：
四、性能分析：
1.定量分析：
k-means：在Iris数据集上，k-means能够快速地将样本分为三类，但由于其基于距离的聚类方式，对于非凸形或噪声较大的数据集可能表现不佳。
密度聚类（DBSCAN）：DBSCAN能够发现任意形状的簇，并对噪声数据不敏感。在Iris数据集上，它能够清晰地划分出三个簇，并且对于噪声数据有较好的处理能力。
层次聚类：层次聚类能够产生层次化的聚类结果，但在选择聚类数时需要人工干预。在Iris数据集上，当设定聚类数为3时，层次聚类能够得到较好的结果。
2.定性分析：
k-means：优点在于速度快、实现简单，适用于大规模数据集。缺点在于对初始质心敏感，可能陷入局部最优解，且对于非凸形或噪声较大的数据集可能表现不佳。
密度聚类（DBSCAN）：优点在于能够发现任意形状的簇，对噪声数据不敏感。缺点在于需要调整两个参数（eps和min_samples），且对于高维数据可能表现不佳。
层次聚类：优点在于能够产生层次化的聚类结果，便于分析数据的层次结构。缺点在于计算复杂度高，对于大规模数据集可能不适用，且在选择聚类数时需要人工干预。
