خوشه‌بندی سلسله‌مراتبی تقسیمی به‌صورت بازگشتی یک خوشه را به زیرخوشه‌های کوچک‌تر می‌شکند، اما تعیین خودکار نقطه توقف چالش اصلی این روش‌هاست: DIANA به تعداد واقعی خوشه‌ها نیاز دارد و CDHC به آستانه فاصله دستی وابسته است. این مقاله CDHC-BIC را ارائه می‌دهد: تقسیم‌کننده هندسی سریع مبتنی بر قطر خوشه ترکیب‌شده با معیار آماری درونی برای پذیرش یا رد هر تقسیم. در گام نخست، معیار اطلاعات بیزین (BIC) با فرض گاوسی به‌کار رفت، اما آزمایشی کنترل‌شده نشان داد این ترکیب نقصی ساختاری دارد: تقسیم بر مبنای عمودمنصف قطر، حتی روی داده تک‌خوشه‌ای گاوسی، در بیش از ۹۵٪ موارد اشتباهاً پذیرفته می‌شود، زیرا انتخاب دورترین نقاط واریانس درون‌زیرخوشه‌ای را سیستماتیک کاهش داده و بر جریمه پیچیدگی BIC غلبه می‌کند. معیار تصمیم به آزمون شاپیرو-ویلک برای تک‌مدی‌بودن روی پروژکشن نقاط بر محور قطر اصلاح شد. نسخه نهایی روی چهار دیتاست (Synthetic، Iris، Wine، Make Moons) در برابر K-Means، Agglomerative، DIANA و GMM+BIC ارزیابی شد. DIANA به‌دلیل برخورداری از اطلاعات تعداد خوشه‌ها در هر چهار دیتاست ARI بالاتری داشت. در برابر GMM+BIC، تنها رقیب بدون این مزیت، CDHC-BIC در دو دیتاست عملکرد بهتر یا نزدیک و هزینه محاسباتی کمتر نشان داد، هرچند در داده پرابعاد و غیرگاوسی ضعیف‌تر از K-Means و Agglomerative عمل کرد. مشارکت اصلی، گزارش صادقانه مسیر پژوهشی است که نقص رویکرد اولیه شناسایی و به بازطراحی اصولی‌تر منجر شد. برخلاف روش‌های مشابه (G-means، dip-means، UniForCE) که حول K-Means و مقداردهی تصادفی ساخته شده‌اند، CDHC-BIC تقسیم‌کننده‌ای قطعی دارد و در تمام اجراها خروجی یکسان تولید می‌کند.