Il clustering è una delle principali tecniche di data mining utilizzate per classificare o suddividere i dati in diversi cluster in base all'analisi della distanza. Esistono diversi algoritmi di clustering per eseguire il processo di clustering. Ma questi algoritmi di clustering non sono supervisionati, per cui a volte possono verificarsi impurità a causa di partizioni disuguali. Le impurità possono riguardare la dimensione dei cluster, l'intervallo dei valori dei dati, la deviazione standard dei valori raggruppati, ecc. Per questo motivo è necessario un meccanismo di controllo supervisionato per ottenere risultati efficaci e accurati. Il lavoro presentato va nella stessa direzione di raggiungere l'efficacia implementando la supervisione dinamica. Nel lavoro, abbiamo implementato un meccanismo di controllo prima e dopo il processo di clustering.