用途
   主要针对生物信息学数据(高维低样本)产生的聚类结果进行评估，一个基本假设就是数据满足单样本正态分布，计算聚类系数cluster index，      进而通过蒙特卡罗随机过程计算该系数的统计学显著性——p值。
   根据p值评估聚类的效果以及聚类的结果是否是真实存在的簇，借鉴到二分k均值算法，还可以用来对多类的数据进行聚类操作
   优点：计算速度快，特别适合生物信息学中的高维低样本数据
   局限：只能对两分类的聚类结果进行评估，如果是多类就必须配对两两比较
函数
   

代码:

sigclust(x, nsim, nrep=1, labflag=0, label=0, icovest=1)

   用途
       用于聚类效果的特征分析。使用2-means（K =2）cluster index的统计信息，探究这种分类是否真实存在。其通过仿真一元标准正态分布 来评估聚类效果，并通过数据来估计分布的参数
  参数
                x                                       一个矩阵或者data frame数据。行代表样本，列代表属性，数据需要标准化并不包含缺失值
                nsim                                  模拟正态分布样本数(迭代循环次数)，最终求得主要p值
                nrep                                   2-means聚类的步数(默认=１,用以优化速度)，如果labflag为０，则无效
                labflag                                如果p值用于一类或两类所指定的变量，用户定义的簇labflag=1,其他的labflag=0
                label                                  如果labflag=0,label通过2-means簇产生，如果labflag=1,用户自行定义
                icovest                               协方差估计方式:1.软阈值方法,constrained MLE(默认)
                                                                                 2.样本协方差估计(当诊断失败建议使用)
                                                                                 3.使用原始背景噪声阈值估计(硬阈值方法
   返回值
                raw.data                             原始数据矩阵
                veigval                                样本特征值向量
                vsimeigval                           在模拟中使用的特征值向量
                simbackvar                         来自数据的背景方差拟合
                icovest                               协方差估计方式
                nsim                                  模拟正态分布的样本个数
                simcindex                           基于nsim模拟数据集的cluster index
                pval                                    基于经验分布分位数模拟的p值
                pvalnorm                             基于正态分布分位数模拟的p值
                xcindex                               基于给定数据集的cluster index
效果测试
   Iris鸢尾花数据
   数据分布形式如下:



一共150个样本，分三种花型"setosa"，"versicolor"，"virginica"，各50个
行代表一个样本，列代表一个属性

代码:

#kmeans聚类
> clusters<-kmeans(iris[,1:4],centers=3)
> clusters[[1]]

代码:

#数据标准化
> normal<-function(vector){
+ (vector-mean(vector))/sd(vector)
+ }
> iris_df<-lapply(iris[,1:4],normal)
> result_matrix<-diag(rep(1,3))
> nsim <- 1000#选择迭代次数
> nrep <- 1
> icovest <- 3#选择协方差的估计方式
> for(i in 3:2){
+ for(j in 1:i-1)
+ result_matrix[i,j] <- sigclust(
+ iris[which(clusters[[1]]==i|clusters[[1]]==j),1:4],
+ nsim=nsim,
+ nrep=nrep,
+ labflag=0,
+ icovest=icovest
+ )@pvalnorm
+ }
> result_matrix

由此可见，１和２的分离效果明显不如１和２与２和３