PROCLUS là viết tắt của Projected Clustering (Cụm hóa chiếu). Đây là kỹ thuật cụm hóa subspace giảm chiều thông thường. Tức là, thay vì bắt đầu từ không gian đơn chiều, nó bắt đầu bằng cách tìm xấp xỉ ban đầu các cụm trong không gian thuộc tính chiều cao.
Mỗi chiều được gán trọng số cho mỗi cụm, và trọng số làm mới được dùng trong lần lặp tiếp theo để tái tạo các cụm. Điều này dẫn đến khám phá các vùng đậm đặc trong tất cả subspace của chiều phù hợp và ngăn chặn sinh ra số lượng lớn cụm chồng chéo trong chiều chiếu chiều thấp hơn.
PROCLUS khám phá tập medoid tốt nhất bằng giai đoạn leo đồi (hill-climbing) tương tự như dùng trong CLARANS, nhưng khái quát hóa để xử lý cụm hóa chiếu. Nó áp dụng phép đo khoảng cách gọi là Manhattan segmental distance, là khoảng cách Manhattan trên tập hợp các chiều phù hợp.
Thuật toán PROCLUS bao gồm ba quy trình: khởi tạo, lặp lại, và tinh chỉnh cụm. Trong quy trình khởi tạo, nó cần thuật toán tham lam để chọn tập medoid ban đầu xa nhau sao cho mỗi cụm được định nghĩa bởi ít nhất một đối tượng trong tập được chọn.
Nó có thể chọn mẫu ngẫu nhiên điểm dữ liệu tỷ lệ với số cụm cần tạo, và sau đó dùng thuật toán tham lam để nhận tập con con nhỏ hơn cuối cùng cho quy trình tiếp theo.
Quy trình lặp lại chọn tập ngẫu nhiên k medoid từ tập giảm này (các medoid), và thay thế medoid "xấu" bằng medoid mới chọn ngẫu nhiên nếu cụm hóa được cải thiện.
Đối với mỗi medoid, một tập chiều được chọn mà khoảng cách trung bình nhỏ so với kỳ vọng toán học. Tổng số chiều liên quan đến medoid nên là k×l, với l là tham số đầu vào chọn chiều trung bình của vùng con cụm.
Quy trình tinh chỉnh tính toán chiều mới cho mỗi medoid dựa trên cụm khám phá, gán lại điểm cho medoid, và loại bỏ giá trị ngoại lai. PROCLUS cho thấy phương pháp hiệu quả và có khả năng mở rộng khám phá cụm chiều cao.
Khác với CLIQUE, xuất ra nhiều cụm chồng chéo, PROCLUS tìm phân vùng không chồng chéo của điểm. Các cụm khám phá có thể hiểu tốt hơn dữ liệu chiều cao và hỗ trợ phân tích tiếp theo.
CLIQUE bắt buộc khám phá subspace chiều lớn nhất sao cho cụm mật độ cao tồn tại trong những subspace. Nó không phản ứng với thứ tự đối tượng đầu vào và không giả định phân phối dữ liệu kinh điển. Nó mở rộng tuyến tính với kích thước đầu vào và có khả năng mở rộng tốt nhất khi số chiều dữ liệu tăng.