之前我們介紹了幾種聚類模型，接下來我們就分別看看他們如何用代碼實現吧。
K-Means
首先是k-means的scikit-learn實現：
如圖所示，我們介紹幾個重要的參數：
1.init
該參數指初始化聚類中心的方式，默認為k-means++，你也可以選擇random。
2.n_clusters
指k-means中的k值，即簇的個數，默認為8個。
3.n_init
指初始化聚類中心時，算法迭代的次數，默認為10。
層次聚類（AgglomerativeClustering）
該算法的scikit-learn實現如下：
還是來看一些重要的參數：
1.affinity
指計算距離的方式，默認為euclidean
2.compute_full_tree
指是否訓練一棵完整的樹，默認為auto。
3.linkage
指距離度量的方式，默認為ward，即最小距離。也可以選擇complete（最大距離）和average（平均距離）。
密度聚類（DBSCAN）
DBSCAN的scikit-learn實現如下所示：
第1個參數：eps
指鄰域的半徑，默認為0.5.
第2個參數：leaf_size
指葉節點的個數，用來限制樹的生長。
第3個參數：metric
指距離度量的方式，默認為euclidean，即歐式距離。你還可以選擇manhattan（曼哈頓距離）、chebyshev（切比雪夫距離）、minkowski（閔可夫斯基距離）和wminkowski（帶權重的閔可夫斯基距離）。
第4個參數：min_samples
指一個點為核心時，其鄰域所包含的樣本數，默認為5.
高斯混合聚類（GMM）
該算法的代碼實現如下：
我們來看幾個重要的參數：
1.max_iter
指模型最大迭代次數，默認為100.
2.n_components
指該模型的成分數目，默認為1.
3.tol
指收斂的閾值，當小於該閾值時，EM算法停止迭代。