Conceptual Clustering เป็น Form ของ Clustering ใน Machine Learning ที่ Given Set of Unlabeled Objects สร้าง Classification Design Over Objects ต่างจาก Conventional Clustering ที่โดยทั่วไป Identify Groups ของ Like Objects Conceptual Clustering ไปอีกขั้นตอนโดย Discover Characteristic Definitions สำหรับแต่ละ Group โดยแต่ละ Group Define Concept หรือ Class
ดังนั้น Conceptual Clustering เป็น Two-step Process - Clustering Implement ก่อน ตามด้วย Characterization ดังนั้น Clustering Quality ไม่ได้ Solely เป็น Function ของ Single Objects เท่านั้น Most Methods ของ Conceptual Clustering Adopt Statistical Approach ที่ใช้ Probability Measurements ใน Deciding Concepts หรือ Clusters
Probabilistic Descriptions มักใช้ Define Derived Concepts แต่ละตัว COBWEB เป็น Famous และ Simple Method ของ Incremental Conceptual Clustering Input Objects ถูก Describe โดย Categorical Attribute-value Pairs COBWEB สร้าง Hierarchical Clustering ในรูป Classification Tree
Classification Tree ต่างจาก Decision Tree แต่ละ Node ใน Classification Tree Represent Concept และมี Probabilistic Description ของ Concept นั้น Summarize Objects ที่ Classified Under Node Probabilistic Description มี Probability ของ Concept และ Conditional Probabilities รูปแบบ P(Ai=vij|Ck) โดย Ai=vij คือ Attribute-value Pair (Attribute ที่ i ใช้ Value ที่ j) และ Ck คือ Concept Class
COBWEB ใช้ Heuristic Evaluation Measure ชื่อ Category Utility (CU) Guide Construction ของ Tree Category Utility กำหนดว่า:
CU = (Σ P(Ck) [Σ Σ P(Ai=vij|Ck)² - Σ Σ P(Ai=vij)²]) / n
โดย n = จำนวน Nodes, Concepts, หรือ "Categories" ที่ Form Partition {C1,C2,...,Cn} ที่ Given Level of Tree กล่าวคือ Category Utility คือ Increase ใน Expected Number ของ Attribute Values ที่สามารถ Guess ได้ Perfectly กำหนด Partition (Expected Number นี้ Corresponds to Term P(Ck)ΣΣP(Ai=vij|Ck)²) Over Expected Number of Correct Guesses With No Such Knowledge (Corresponds to Term ΣΣP(Ai=vij)²) แม้ไม่มีที่แสดง Derivation Category Utility Rewards Intraclass Similarity และ Interclass Dissimilarity โดย:
Intraclass Similarity - คือ Probability P(Ai=vij|Ck) ค่าเท่าไหร่สูง สัดส่วน Class Members ที่ Share Attribute-value Pair เท่าไหร่มาก และ Pair นั้น Predictable ของ Class Members เท่าไหร่มาก
Interclass Dissimilarity - คือ Probability P(Ck|Ai=vij) ค่าเท่าไหร่สูง Objects ใน Contrasting Classes ที่ Share Attribute-value Pair เท่าไหร่น้อย และ Pair นั้น Predictive ของ Class เท่าไหร่มาก
COBWEB Descend Tree ตาม Suitable Path Refresh Counts ตลอดทาง ใน Search ของ "Best Host" หรือ Node ที่จะ Place Object Decision นี้ Based on Temporarily Placing Object ในแต่ละ Node และ Evaluate Category Utility ของ Resulting Partition Placement ที่ Result ใน Highest Category Utility เป็น Best Host สำหรับ Object
