COBWEB वस्तुओं को एक वर्गीकरण वृक्ष में वृद्धिशील रूप से शामिल करता है। COBWEB एक आवंटन पथ के साथ वृक्ष को नीचे उतरता है, रास्ते में गणनाओं को ताज़ा करता है, "सबसे अच्छे मेजबान" या नोड की खोज में जिस पर ऑब्जेक्ट को परिभाषित किया जाए।
यह निर्णय अस्थायी रूप से ऑब्जेक्ट को प्रत्येक नोड में रखने और परिणामी विभाजन की श्रेणी उपयोगिता की गणना करने पर निर्भर करता है। वह स्थान जो उच्चतम तत्व उपयोगिता में परिणाम देता है, ऑब्जेक्ट के लिए सबसे अच्छा मेजबान होना चाहिए।
COBWEB उस विभाजन की श्रेणी उपयोगिता की भी गणना करता है जो परिणाम दे सकता है यदि ऑब्जेक्ट के लिए एक नया नोड बनाया जाता है। ऑब्जेक्ट को वर्तमान क्लास में रखा जाता है, या इसके लिए एक नई क्लास उत्पन्न की जाती है, उस विभाजन के आधार पर जिसमें सबसे बड़ा श्रेणी उपयोगिता मूल्य होता है। COBWEB में एक विभाजन में कई क्लास को स्वचालित रूप से समायोजित करने की क्षमता होती है। इसे ऐसे इनपुट पैरामीटर देने के लिए उपयोगकर्ता पर भरोसा करने की आवश्यकता नहीं होती है।
COBWEB में दो ऑपरेटर हैं जो इसे इनपुट क्रम के प्रति कम संवेदनशील बनाने में मदद करते हैं। ये संयोजन और विभाजन हैं। जब एक ऑब्जेक्ट एकीकृत होता है, तो दो सबसे अच्छे मेजबानों को एक ही क्लास में संयोजित करने के लिए माना जाता है।
इसके अलावा, COBWEB अच्छे मेजबान के बच्चों को वर्तमान श्रेणियों के बीच विभाजित करने पर विचार करता है। ये निर्णय श्रेणी उपयोगिता पर निर्भर करते हैं। संयोजन और विभाजन ऑपरेटर COBWEB को द्विदिश खोज लागू करने में सक्षम बनाते हैं, उदाहरण के लिए, एक मर्ज पिछले विभाजन को पूर्ववत कर सकता है।
COWEB की सीमाएं
COWEB की सीमा इस प्रकार है -
यह इस धारणा पर निर्भर करता है कि स्वतंत्र विशेषताओं पर संभावना वितरण एक दूसरे से सांख्यिकीय रूप से अलग हैं। यह धारणा हमेशा सही नहीं होती क्योंकि विशेषताओं के बीच सहसंबंध अक्सर मौजूद होता है।
इसके अलावा, क्लस्टर्स का संभावना वितरण विवरण उन्हें ताज़ा और संग्रहीत करने के लिए काफी महंगा बनाता है। यह विशेष रूप से तब होता है जब विशेषताओं में बड़ी संख्या में मूल्य होते हैं क्योंकि समय और स्थान जटिलताएं न केवल कई विशेषताओं पर निर्भर करती हैं, बल्कि प्रत्येक विशेषता के लिए कई मूल्यों पर भी निर्भर करती हैं।
इसके अलावा, वर्गीकरण वृक्ष विषम इनपुट रिकॉर्ड के लिए ऊंचाई-संतुलित नहीं है, जो समय और स्थान जटिलता को नाटकीय रूप से कम कर सकता है।
CLASSIT निरंतर (या वास्तविक-मूल्यवान) जानकारी की वृद्धिशील क्लस्टरिंग के लिए COBWEB का विस्तार है। यह प्रत्येक नोड में प्रत्येक एकल विशेषता के लिए एक निरंतर सामान्य वितरण (यानी, माध्य और मानक विचलन) बचाता है और एक संशोधित श्रेणी उपयोगिता माप की आवश्यकता होती है जो COBWEB में असतत विशेषताओं पर योग के बजाय निरंतर विशेषताओं पर मौलिक है।
