Data Mining - методы анализа и обработки данных

Сравнение методов кластеризации 

Задание:
Реализовать кластеризацию данных с использованием трех методов из библиотеки scikit-learn:

Провести анализ их работы на различных датасетах, сравнить качество кластеризации и подобрать оптимальные параметры.

Эксперименты:
    Искусственные данные
    Сгенерируйте три типа датасетов:
         а) Четко разделенные кластеры (например, make_blobs)
         б) Кластеры сложной формы (например, make_moons или make_circles)
         в) Данные с шумом (добавьте случайные выбросы)
    Визуализируйте результаты кластеризации для каждого метода.

    Реальные данные
         Используйте датасет Ирисы Фишера и Wine Dataset из sklearn.datasets

    Подбор параметров
    Для каждого метода определите оптимальные гиперпараметры:
         K-means: число кластеров (n_clusters), метод инициализации (init)
         DBSCAN: eps, min_samples
         Agglomerative Clustering: число кластеров, тип связи (linkage)
    Для оценки качества кластеризации используйте метрику Purity 

Purity

Чистота ставит в соответствие кластеру самый многочисленный в этом кластере класс.

$P=\sum _i\underset{j}{max}{p}_{ij}$

Чистота находится в интервале [0, 1], причём значение = 1 отвечает оптимальной кластеризации.