कॉन्सेप्चुअल क्लस्टरिंग मशीन लर्निंग में क्लस्टरिंग का एक रूप है जो, अनलेबल्ड ऑब्जेक्ट्स के एक सेट को दिए जाने पर, ऑब्जेक्ट्स पर एक वर्गीकरण डिज़ाइन बनाता है। पारंपरिक क्लस्टरिंग के विपरीत, जो आमतौर पर समान ऑब्जेक्ट्स के समूहों की पहचान करता है, कॉन्सेप्चुअल क्लस्टरिंग प्रत्येक समूह के लिए विशेषता परिभाषाओं की खोज करके एक कदम आगे जाता है, जहां प्रत्येक समूह एक कॉन्सेप्ट या क्लास को परिभाषित करता है।
इसलिए, कॉन्सेप्चुअल क्लस्टरिंग एक दो-चरणीय प्रक्रिया है - पहले क्लस्टरिंग लागू की जाती है, उसके बाद लक्षण वर्णन। इस प्रकार, क्लस्टरिंग गुणवत्ता केवल एकल ऑब्जेक्ट्स की सेवा नहीं है। कॉन्सेप्चुअल क्लस्टरिंग की अधिकांश तकनीकें एक सांख्यिकीय दृष्टिकोण अपनाती हैं जो कॉन्सेप्ट्स या क्लस्टर्स तय करने में संभाव्यता माप का उपयोग करती हैं।
प्रत्युत्पन्न कॉन्सेप्ट को परिभाषित करने के लिए संभाव्य विवरण आमतौर पर उपयोग किए जाते हैं। COBWEB इन्क्रीमेंटल कॉन्सेप्चुअल क्लस्टरिंग की एक प्रसिद्ध और सरल विधि है। इसके इनपुट ऑब्जेक्ट्स को श्रेणीबद्ध विशेषता-मूल्य जोड़े द्वारा परिभाषित किया जाता है। COBWEB एक वर्गीकरण ट्री के रूप में एक हायरार्किकल क्लस्टरिंग बनाता है।
एक वर्गीकरण ट्री एक निर्णय ट्री से भिन्न होता है। वर्गीकरण ट्री में प्रत्येक नोड एक कॉन्सेप्ट को परिभाषित करता है और उस कॉन्सेप्ट का एक संभाव्य विवरण शामिल करता है, जो नोड के तहत वर्गीकृत ऑब्जेक्ट्स को सारांशित करता है। संभाव्य विवरण में कॉन्सेप्ट की संभावना और $P(A_{i}=v_{ij}|C_{k})$ के रूप में सशर्त संभावनाएं शामिल होती हैं जहां $A_{i}=v_{ij}$ एक विशेषता-मूल्य जोड़ी है (i-वां विशेषता अपने j-वें संभावित मूल्य को लेता है) और $C_{k}$ कॉन्सेप्ट क्लास है।
COBWEB ट्री के निर्माण का मार्गदर्शन करने के लिए कैटेगरी यूटिलिटी के रूप में जानी जाने वाली एक अनुमानित मूल्यांकन माप का उपयोग करता है। कैटेगरी यूटिलिटी (CU) को इस प्रकार परिभाषित किया गया है:
$$\frac{\sum_{k=1}^{n}P(C_{k})\left [\sum_{i}\sum_{j}P(A_{i}=v_{ij}|C_{k})^{2}-\sum_{i}\sum_{j}P(A_{i}=v_{ij})^{2}\right ]}{n}$$
जहां n नोड्स, कॉन्सेप्ट्स, या "श्रेणियों" की संख्या है जो दिए गए ट्री स्तर पर एक पार्टीशन, {C₁,C₂,..., Cₙ} बनाते हैं। अन्य शब्दों में, कैटेगरी यूटिलिटी उस अपेक्षित संख्या में वृद्धि है जिसे एक पार्टीशन दिए जाने पर विशेषता मूल्यों का पूरी तरह से अनुमान लगाया जा सकता है (जहां यह अपेक्षित संख्या पद $P(C_{k})\sum_{i}\sum_{j}P(A_{i}=v_{ij}|C_{k})^{2}$ से मेल खाती है) बिना किसी ऐसे ज्ञान के सही अनुमानों की अपेक्षित संख्या पर (पद $\sum_{i}\sum_{j}P(A_{i}=v_{ij})^{2}$ से मेल खाती है)। हालांकि इसमें व्युत्पत्ति दिखाने के लिए जगह नहीं है, कैटेगरी यूटिलिटी इंट्राक्लास समानता और इंटरक्लास असमानता को पुरस्कृत करती है, जहां:
इंट्राक्लास समानता - यह संभावना $P(A_{i}=v_{ij}|C_{k})$ है। यह मान जितना अधिक होगा, उतना ही अधिक क्लास सदस्यों का अनुपात इस विशेषता-मूल्य जोड़ी को साझा करेगा और यह जोड़ी क्लास सदस्यों का उतना ही अधिक अनुमानित होगी।
इंटरक्लास असमानता - यह संभावना $P(C_{k}|A_{i}=v_{ij})$ है। यह मान जितना अधिक होगा, विपरीत कक्षाओं में उतने ही कम ऑब्जेक्ट्स इस विशेषता-मूल्य जोड़ी को साझा करेंगे और यह जोड़ी क्लास की उतनी ही अधिक भविष्यवाणी करेगी।
COBWEB एक उपयुक्त पथ के साथ ट्री के नीचे उतरता है, रास्ते में काउंट्स को रीफ्रेश करता है, "सबसे अच्छे मेजबान" या नोड की खोज में जहां ऑब्जेक्ट को परिभाषित किया जाए। यह निर्णय अस्थायी रूप से प्रत्येक नोड में ऑब्जेक्ट को रखने और परिणामी पार्टीशन की कैटेगरी यूटिलिटी का मूल्यांकन करने पर निर्भर करता है। वह प्लेसमेंट जो उच्चतम कैटेगरी यूटिलिटी का परिणाम देता है, ऑब्जेक्ट के लिए सबसे अच्छा मेजबान होना चाहिए।
