如何在K-means算法中计算全系列距离指标并提取聚类结果

我希望在K-means聚类中使用全系列距离度量替代传统欧氏距离，对比不同距离下的聚类效果，计划在多数据集上完成测试，也可借助现有工具完成指标评估。目前我已备齐测试数据集，附件为数据集示例Iris数据集，可基于该数据集实现各距离指标计算、结果提取及对应效果评估。

可适配K-means的距离度量清单 #

• L1距离度量族：Canberra距离(CanD)、Sørensen距离(SD)、非交集距离(NID)
• Lp闵可夫斯基距离度量族：曼哈顿距离(MD)、切比雪夫距离(CD)、欧氏距离(ED)
• 平方弦距离族：巴塔查里亚距离(BD)、海林格距离(HeD)
• 平方L2距离族：平方欧氏距离(SED)、克拉克距离(ClD)、内曼χ²距离(NCSD)、皮尔逊χ²距离(PCSD)、平方χ²距离(SCSD)、概率对称χ²距离(PSCSD)、散度距离(DivD)、加性对称χ²距离(ASCSD)、平均距离(AD)、均值截尾欧氏距离(MCED)
• 香农熵距离族：杰弗里斯距离(JefD)
• 其他距离族：平均距离(AvgD)、库马尔-约翰逊距离(KJD)、塔内贾距离(TanD)、皮尔逊距离(PeaD)、相关距离(CorD)、平方皮尔逊距离(SPeaD)、汉明距离(HamD)、豪斯多夫距离(HauD)

效果评估说明 #

聚类效果将通过准确率、精确率、召回率、F1值、调整兰德指数(ARI)共5项指标评估，测试基准采用Iris公开数据集。

内容的提问来源于stack exchange，提问作者ahmad