提示词描述

请生成一张图片：结合聚类算法与NIPALS（线性）和KPLS（非线性）的核心是构建一个“聚类分层-模型拟合-融合预测”的三阶段架构，以适应异构数据（包括多个子群、混合的线性和非线性特征）的建模需求。具体流程如下： 1) 聚类分层原则：采用层次聚类算法对预处理后的数据集进行分组。以轮廓系数作为评价指标，在用户设定的“最大聚类数”范围内自动确定最佳聚类数。同时，将样本量低于“最小样本数阈值”的簇进行合并，以保证每个簇都有足够的建模样本（建议20-50个）。 2) 簇内非线性检测：对于每个独立的簇，通过内部交叉验证（以R²的增加作为标准）比较线性NIPALS和非线性KPLS的模型性能。如果KPLS相对于NIPALS的R²增加超过“非线性检测阈值”（默认为5.0%），则判定该簇为非线性特征，并选择KPLS进行建模；否则，判定为线性特征，并选择NIPALS进行建模。 3) 模型融合与预测：当输入一个新样本时，通过最近邻匹配算法将其分配到相应的簇模型。系统自动计算每个簇的加权R²（按簇样本量加权），输出整体预测结果，并保留每个簇的独立建模参数和性能指标，以支持交互式分析。 请参考给定的图片绘制CPLS的算法流程图，并以mermaid形式导出。