在R语言中,程序包HSAUR中有pottery数据集，基于相关系数的聚类，对pottery数据集的9个变量进行聚类分析(可以自已选择聚类方法，选择聚类数目);最后评价聚类效果。

首先，我们需要加载HSAUR包并读取pottery数据集：

library(HSAUR)
data(pottery)

接下来，我们可以使用相关系数作为距离度量来进行聚类分析。我们选择ward.D2作为聚类方法，因为它在样本数较大时表现较好。我们也可以尝试其他的聚类方法，如single linkage、complete linkage等。

# 计算相关系数矩阵
corr_matrix <- cor(pottery)

# 使用ward.D2作为聚类方法
hc <- hclust(as.dist(1 - corr_matrix), method = "ward.D2")

# 绘制聚类树状图
plot(hc, hang = -1, cex = 0.8, main = "Pottery Clustering")

聚类树状图如下所示：


从聚类图中可以看出，当聚类数目为3时，可以得到比较明显的聚类结果。因此，我们将数据集分为三类。

# 将数据分成三类
n_clusters <- 3
clusters <- cutree(hc, k = n_clusters)

# 将聚类结果添加到数据集中
pottery_clustered <- data.frame(pottery, cluster = clusters)

# 根据聚类结果对数据集进行汇总
aggregate(pottery[, 1:9], by = list(cluster = clusters), mean)

最后，我们可以评价聚类效果。常用的方法包括轮廓系数和Calinski-Harabasz指数。轮廓系数越接近1，表示聚类效果越好；而Calinski-Harabasz指数越大，表示聚类效果越好。

# 计算轮廓系数
library(cluster)
silhouette <- silhouette(clusters, dist(1 - corr_matrix))
mean(silhouette[, 3])

# 计算Calinski-Harabasz指数
library(fpc)
cluster.stats(corr_matrix, clusters)$ch

通过运行上述代码，我们可以得到轮廓系数约为0.6，Calinski-Harabasz指数约为184。这表明我们的聚类结果相对较好。