提示詞描述

請生成一張圖片：結合分群演算法與NIPALS（線性）和KPLS（非線性）的核心，是構建一個「分群分層 - 模型擬合 - 融合預測」的三階段架構，以適應異質數據（包含多個子群、混合線性與非線性特徵）的建模需求。具體流程如下： 1) 分群分層原則：使用階層式分群演算法對預處理後的數據集進行分組。以輪廓係數作為評估指標，並在使用者設定的「最大分群數」範圍內自動確定最佳分群數量。同時，將樣本數低於「最小樣本數閾值」的分群合併，以確保每個分群都有足夠的建模樣本（建議20-50個）。 2) 群內非線性檢測：對於每個獨立的分群，通過內部交叉驗證（使用R²的增加作為標準）比較線性NIPALS和非線性KPLS的模型性能。如果KPLS相較於NIPALS的R²增加超過「非線性檢測閾值」（預設5.0%），則判定該分群為非線性特徵，並選擇KPLS進行建模；否則，判定為線性特徵，並選擇NIPALS進行建模。 3) 模型融合與預測：當輸入一個新樣本時，通過最近鄰匹配演算法將其分配到相應的分群模型。系統自動計算每個分群的加權R²（按分群樣本大小加權），輸出整體預測結果，並保留每個分群的獨立建模參數和性能指標，以支持互動式分析。 請參考給定的圖片繪製CPLS的演算法流程圖，並以mermaid形式匯出。