Tradicionalno, metode nadziranog strojnog učenja predstavljaju prvi izbor za zadatke koji uključuju klasifikaciju podataka. Ovo istraživanje prikazuje nekonvencionalnu hibridnu alternativnu (pEAC) tehniku koja kombinira vjerojatnosno-neizraziti C-Means (PFCM) kao osnovni algoritam grupiranja u standardno grupiranje korištenjem grupiranja zasnovanog na skupljanju dokaza (EAC). PFCM objedinjuje zasebna svojstva vjerojatnosnog C-Means (PCM) i neizrazitog C-Means (FCM) algoritama u sofisticirani algoritam grupiranja. Usprkos ogromnim mogućnostima koje nudi ova tehnika, u smislu strukture, ona je nalik cjelovitim hEAC i fEAC tehnikama grupiranja realiziranim integracijom K-Means i FCM algoritama grupiranja u EAC tehniku.Kako bi se validirala učinkovitost, njeno ponašanje je ispitano na sintetičkim i stvarnim medicinskim podacima te su provedene usporedbe s pojedinačnim široko rasprostranjenim metodama, drugim nenadziranim tehnikama grupiranja i nekim nadziranim metodama učenja. Rezultat prikazuje kako predložena pEAC tehnika nadmašuje pojedine metode grupiranja i druge tehnike nenadziranog učenja u smislu točnosti u dijagnozi hepatitisa, kadiovaskularnih bolesti, raka dojke i dijabetesa, korištenih u eksperimentu.Značajno, u usporedbi s odabranim nadziranim modelima klasifikacije, predložena pEAC tehnika pokazuje bolju točnost dijagnoze na dvama korištenim bazama podataka za rak dojke, što ukazuje na to da čak i bez označenih podataka predložena tehnika nudi efikasnu klasifikaciju medicinskih podataka.