1、聚类模型的构建
sklearn 提供了多种聚类算法，主要用到的库为cluster，cluster中有很多聚类算法，如K-Means、Spectral cluster等
聚类算法的实现需要估计器Estimator,估计器有fit和predict两个算法，如下：
我们利用iris数据集测试，首先利用fit训练算法，再利用predict去预测，我们的重点在于预测类别，我们发现我们预测的类别为1类别，共三个类别。注意输入的预测源为二维数据。聚类的簇数也是我们设定的，n_clusters=3，其实本身数据源也有三个类别。另外利用km.labels_可以得出聚类后的类别标签，即聚成了几类
2、评价聚类模型
最好的结果是组内相似性很大，组间相似性很小。模型就是比较优的。
利用sklearn中的metrics模块可以进行评价。如下：
t为真是标签，km.labels_为预测标签，也就是聚类的时候，就已经将数据分类并且有相应的标签了
最后我们得出整体效用为0.8,越接近于1表明模型越好。
另外因为簇数是我们认为划分的，如果要更加系统的评价，我们可以利用循环，分成不同的簇数，分别评价模型的好坏，选择最优的。
其余的聚类算法和聚类模型的评价方法，请自行查阅资料。如这是有真实标签的情况下，如果没有真实标签，模型怎么评价呢？