### 生成月牙形分布数据集并测试聚类算法 为了生成月牙形分布的数据集并测试不同的聚类算法，可以使用 `sklearn` 库中的 `make_moons` 函数。此函数能够创建具有特定形状的数据点集合，非常适合用来验证各种聚类方法的有效性。 以下是完整的 Python 代码示例，展示了如何生成月牙形数据以及应用几种常见的聚类算法： #### 导入必要的库 ```python import numpy as np from sklearn.cluster import SpectralClustering, KMeans, DBSCAN, MeanShift from sklearn.datasets import make_moons from sklearn.metrics import silhouette_score import matplotlib.pyplot as plt ``` #### 生成月牙形数据 ```python X, y = make_moons(n_samples=200, noise=0.05) plt.figure(figsize=(8, 6)) plt.scatter(X[:, 0], X[:, 1], c=y, edgecolor='k') plt.title("Moon-shaped Data Distribution") plt.show() ``` 这段代码会绘制原始的月牙形数据分布图[^3]。 #### 应用多种聚类算法 ##### 谱聚类 (Spectral Clustering) ```python spectral_clustering = SpectralClustering( n_clusters=2, affinity='nearest_neighbors', n_neighbors=10 ).fit_predict(X) plt.figure(figsize=(8, 6)) plt.scatter(X[:, 0], X[:, 1], c=spectral_clustering, cmap='viridis', s=30) plt.title("Spectral Clustering Results") plt.show() print(f"Spectral Clustering Silhouette Score: {silhouette_score(X, spectral_clustering)}") ``` ##### 均值漂移 (Mean Shift) ```python mean_shift = MeanShift().fit_predict(X) plt.figure(figsize=(8, 6)) plt.scatter(X[:, 0], X[:, 1], c=mean_shift, cmap='plasma', s=30) plt.title("Mean Shift Clustering Results") plt.show() print(f"Mean Shift Silhouette Score: {silhouette_score(X, mean_shift)}") ``` ##### K均值 (K-Means) ```python kmeans = KMeans(n_clusters=2).fit_predict(X) plt.figure(figsize=(8, 6)) plt.scatter(X[:, 0], X[:, 1], c=kmeans, cmap='inferno', s=30) plt.title("K-Means Clustering Results") plt.show() print(f"K-Means Silhouette Score: {silhouette_score(X, kmeans)}") ``` ##### DBSCAN 由于 DBSCAN 的参数设置较为复杂且对结果有较大影响，在这里提供了一个简单的例子作为参考。实际应用中可能需要调整 eps 和 min_samples 参数以获得更好的效果。 ```python dbscan = DBSCAN(eps=0.3, min_samples=10).fit_predict(X) plt.figure(figsize=(8, 6)) plt.scatter(X[:, 0], X[:, 1], c=dbscan, cmap='cividis',