ডেটা ডিসক্রেটাইজেশন কৌশলগুলো একটি συνεχমান অ্যাট্রিবিউটের মানগুলোর সংখ্যা কমাতে ব্যবহৃত হয়, এর রেঞ্জকে ইন্টারভালগুলোর মধ্যে ভাগ করে। ইন্টারভাল লেবেলগুলো ব্যবহার করে প্রকৃত ডেটা মানগুলো পুনরুদ্ধার করা যায়। এভাবে একটি συνεχমান অ্যাট্রিবিউটের একাধিক মানকে কম সংখ্যক ইন্টারভাল লেবেল দিয়ে প্রকাশ করা সম্ভব, যা মূল তথ্যকে সহজ ও সংক্ষিপ্ত করে দেয়।
ডিসক্রেটাইজেশনের উপকারিতা
এটি খনন ফলাফলের একটি সংক্ষিপ্ত, সহজে ব্যবহারযোগ্য, জ্ঞান-স্তরের প্রতিনিধিত্ব তৈরি করে। ডিসক্রেটাইজেশন কৌশলগুলো বাস্তবায়নের পদ্ধতির ভিত্তিতে শ্রেণিবদ্ধ করা যায়—যেমন এটি ক্লাস ডেটা ব্যবহার করে কিনা বা কোন দিক থেকে आगे বাড়ে (টপ-ডাউন বা বটম-আপ)।
সুপারভাইজড এবং আনসুপারভাইজড ডিসক্রেটাইজেশন
যদি ডিসক্রেটাইজেশন প্রক্রিয়াটি ক্লাস ডেটা ব্যবহার করে, তবে সেটিকে সুপারভাইজড ডিসক্রেটাইজেশন বলা হয়। অন্যথায়, সেটি আনসুপারভাইজড।
টপ-ডাউন ডিসক্রেটাইজেশন (স্প্লিটিং)
যদি প্রক্রিয়াটি প্রথমে এক বা কয়েকটি পয়েন্ট (স্প্লিট পয়েন্ট বা কাট পয়েন্ট) আবিষ্কার করে পুরো অ্যাট্রিবিউট রেঞ্জ ভাগ করতে, এবং তারপর ফলাফল ইন্টারভালগুলোর ওপর রিকার্সিভলি এটি চালিয়ে যায়, তবে এটিকে টপ-ডাউন ডিসক্রেটাইজেশন বা স্প্লিটিং বলা হয়।
বটম-আপ ডিসক্রেটাইজেশন (মার্জিং)
বটম-আপ ডিসক্রেটাইজেশন বা মার্জিং-এ, সব কন্টিনিউয়াস মানকে সম্ভাব্য স্প্লিট-পয়েন্ট হিসেবে বিবেচনা করে শুরু করা হয়, তারপর আসন্ন মানগুলো মার্জ করে ইন্টারভাল তৈরি করা হয় এবং ফলাফল ইন্টারভালগুলোর ওপর রিকার্সিভলি প্রক্রিয়াটি প্রয়োগ করা হয়।
কনসেপ্ট হায়ারার্কি
ডিসক্রেটাইজেশনকে একটি অ্যাট্রিবিউটের ওপর রিকার্সিভলি বাস্তবায়ন করা যাতে অ্যাট্রিবিউট মানগুলোর একটি হায়ারার্কিক্যাল বা মাল্টি-রেজোলিউশন পার্টিশনিং সমর্থন করে, এটিকে কনসেপ্ট হায়ারার্কি বলা হয়।
কনসেপ্ট হায়ারার্কি একাধিক trừয়তার স্তরে খনন করার জন্য উপকারী। একটি সংখ্যাসূচক অ্যাট্রিবিউটের জন্য কনসেপ্ট হায়ারার্কি সেটির একটি ডিসক্রেটাইজেশনকে উপস্থাপন করে। কনসেপ্ট হায়ারার্কি ব্যবহার করে ডেটা কমিয়ে আনতে পারা যায়—নিম্ন-স্তরের কনসেপ্টগুলো (যেমন বয়সের সংখ্যাসূচক মান) উচ্চ-স্তরের কনসেপ্টগুলোর সাথে (যেমন যুবক, মধ্যবয়স্ক, বা বৃদ্ধ) সংগ্রহ ও পুনরুদ্ধার করে। এ ধরনের ডেটা জেনারেলাইজেশনে বিস্তারিত তথ্য লুকায় থাকলেও, জেনারেলাইজড ডেটা আরও অর্থবহ ও কার্যকর হয়।
এটি বহু খনন کار্যের মধ্যে ডেটা মাইনিং ফলাফলের একটি সামঞ্জস্যপূর্ণ বর্ণনা প্রদান করে, যা একটি সাধারণ প্রয়োজনীয়তা। 더불어, কম করা ডেটাসেটে খনন করলে কম ইনপুট/আউটপুট অপারেশন দরকার হয় এবং এটি অ-জেনারেলাইজড ডেটাসেটের চেয়ে আরও কার্যকর। এই সুবিধাগুলোর কারণে, ডিসক্রেটাইজেশন কৌশল ও কনসেপ্ট হায়ারার্কি সাধারণত ডেটা মাইনিং-এর পূর্বে প্রিপ্রসেসিং ধাপ হিসেবে ব্যবহৃত হয়, মাইনিং-এর সময় নয়।
বিবিধ ডিসক্রেটাইজেশন পদ্ধতি সংখ্যাসূচক অ্যাট্রিবিউটের জন্য কনসেপ্ট হায়ারার্কি স্বয়ংক্রিয়ভাবে তৈরি বা ডাইনামিক্যালি রিফাইন করতে ব্যবহৃত হয়। পাশাপাশি, ক্যাটাগরিক্যাল অ্যাট্রিবিউটের অনেক হায়ারার্কি ডেটাবেস ডিজাইনের ভিতরেই নিহিত থাকে এবং স্কিমা ডেফিনিশন লেভেলে স্বয়ংক্রিয়ভাবে উপস্থাপন করা যায়।
