การทำงานของ COBWEB
COBWEB เพิ่มวัตถุ (objects) เข้าไปใน classification tree (ต้นไม้การจัดประเภท) แบบ incremental (เพิ่มเติม) COBWEB ลงไปในต้นไม้ตามเส้นทางมอบหมาย (allocated path) รีเฟรช counts (นับใหม่) ตามทาง ในการค้นหา "best host" (โฮสต์ที่ดีที่สุด) หรือโหนดที่จะนิยามวัตถุ
การตัดสินใจนี้ขึ้นอยู่กับการวางวัตถุชั่วคราว (temporarily placing) ในแต่ละโหนด และคำนวณ category utility (ความมีประโยชน์ของหมวดหมู่) ของการแบ่งพาร์ติชันที่ได้ การวางที่ทำให้ category utility สูงสุด ต้องเป็น best host สำหรับวัตถุ
COBWEB ยังคำนวณ category utility ของพาร์ติชันที่จะเกิดขึ้น หากโหนดใหม่ถูกสร้างสำหรับวัตถุ วัตถุถูกวางในคลาสปัจจุบัน (existing class) หรือสร้างคลาสใหม่สำหรับมัน ขึ้นอยู่กับพาร์ติชันที่มีค่า category utility ใหญ่ที่สุด COBWEB มีความสามารถในการปรับจำนวนคลาสในพาร์ติชันแบบอัตโนมัติ (automatically adjust) มันไม่จำเป็นต้องพึ่งพาผู้ใช้ให้พารามิเตอร์อินพุทเช่นนั้น
Operators ของ COBWEB
COBWEB มี operators (ตัวดำเนินการ) สองตัวที่ช่วยทำให้มัน less susceptible to input order (น้อยกว่าระบายต่อลำดับอินพุท) คือ combining (การรวม) และ splitting (การแบ่ง) เมื่อวัตถุถูกรวม เข้ารวม two best hosts (สองโฮสต์ที่ดีที่สุด) จะถูกพิจารณาสำหรับการรวมเป็นคลาสเดียว
นอกจากนี้ COBWEB พิจารณา dividing (แบ่ง) children (ลูก) ของ good host ระหว่าง current categories (หมวดหมู่ปัจจุบัน) การตัดสินใจเหล่านี้ขึ้นอยู่กับ category utility ตัวดำเนินการ combining และ splitting ช่วยให้ COBWEB ดำเนินการ bidirectional search (การค้นหาสองทิศทาง) ได้ ตัวอย่างเช่น merge สามารถ undo (ยกเลิก) previous split (การแบ่งก่อนหน้า) ได้
ข้อจำกัดของ COWEB
ข้อจำกัดของ COWEB มีดังนี้:
ขึ้นอยู่กับสมมติฐานว่า probability distributions (การกระจายความน่าจะเป็น) บน independent attributes (แอตทริบิวต์อิสระ) เป็น statistically independent (อิสระทางสถิติ) ของกันและกัน สมมติฐานนี้ไม่ถูกต้องเสมอไป เพราะ correlation (ความสัมพันธ์) ระหว่างแอตทริบิวต์มักมีอยู่
นอกจากนี้ probability distribution representation (การแทนค่าการกระจายความน่าจะเป็น) ของคลัสเตอร์ทำให้การรีเฟรช (refresh) และจัดเก็บ (store) คลัสเตอร์มีค่าใช้จ่ายสูง (expensive) โดยเฉพาะเมื่อแอตทริบิวต์มีจำนวนค่ามาก เพราะ time และ space complexities ขึ้นอยู่ไม่เพียงกับจำนวนแอตทริบิวต์ แต่ยังจำนวนค่าสำหรับแต่ละแอตทริบิวต์
เพิ่มเติม classification tree ไม่ได้เป็น height-balanced (สมดุลความสูง) สำหรับ skewed input records (ระเบียนอินพุทที่เอียง) ซึ่งอาจทำให้ time และ space complexity ลดลงอย่างมาก (reduce dramatically) - หมายเหตุ: ควรเป็น "เพิ่มขึ้นอย่างมาก" (increase dramatically) ตามบริบท
CLASSIT เป็นการขยาย (extension) ของ COBWEB สำหรับ incremental clustering ของข้อมูล continuous (หรือ real-valued) มันจัดเก็บ continuous normal distribution (การกระจายปกติแบบต่อเนื่อง) (คือ mean และ standard deviation) สำหรับแต่ละ single attribute ในแต่ละโหนด และต้องการ category utility measure ที่ปรับเปลี่ยนแล้ว ที่เป็น elemental (พื้นฐาน) สำหรับ continuous attributes แทนที่จะเป็น sum (ผลรวม) สำหรับ discrete attributes เช่นใน COBWEB
