অ্যাসোসিয়েশন রুল লার্নিং হল এক ধরনের তত্ত্বাবধানহীন শেখার পদ্ধতি যা অন্য ডেটা উপাদানের উপর একটি ডেটা উপাদানের নির্ভরতা পরীক্ষা করে এবং যথাযথভাবে তৈরি করে যাতে এটি আরও কার্যকর হতে পারে। এটি ডেটাসেটের ভেরিয়েবলের মধ্যে কিছু আকর্ষণীয় সম্পর্ক বা সম্পর্ক আবিষ্কার করার চেষ্টা করে। ডাটাবেসে ভেরিয়েবলের মধ্যে আকর্ষণীয় সম্পর্ক খুঁজে পেতে এটি বেশ কয়েকটি নিয়মের উপর নির্ভর করে।
অ্যাসোসিয়েশন রুল লার্নিং হল মেশিন লার্নিংয়ের গুরুত্বপূর্ণ কৌশল, এবং এটি মার্কেট বাস্কেট বিশ্লেষণ, ওয়েব ব্যবহার মাইনিং, ক্রমাগত উত্পাদন ইত্যাদিতে নিযুক্ত করা হয়। বাজারের ঝুড়ি বিশ্লেষণে, আইটেমগুলির মধ্যে সম্পর্ক খুঁজে পেতে এটি বেশ কয়েকটি বড় খুচরা বিক্রেতাদের দ্বারা যথেষ্ট ব্যবহার করা হয়। .
অ্যাসোসিয়েশন নিয়মগুলি মূলত পয়েন্ট-অফ-সেল ডেটা থেকে রূপান্তরিত হয়েছিল যা উপস্থাপন করে যে পণ্যগুলি একসাথে কেনা হয়৷ যদিও এর মূলগুলি পয়েন্ট-অফ-সেল লেনদেনগুলিকে লিঙ্ক করার মধ্যে রয়েছে, তবে "ঝুড়ি" এর প্রকারগুলির মধ্যে সম্পর্ক খুঁজে পেতে খুচরা বাজারের বাইরের অ্যাসোসিয়েশন নিয়মগুলি ব্যবহার করা যেতে পারে৷
অ্যাসোসিয়েশন নিয়মের বিভিন্ন অ্যাপ্লিকেশন রয়েছে যা নিম্নরূপ -
-
ক্রেডিট কার্ডে কেনা আইটেমগুলি, যেমন ভাড়ার গাড়ি এবং হোটেল রুম, নিম্নলিখিত পণ্যগুলির অন্তর্দৃষ্টি সমর্থন করে যা গ্রাহক কিনতে পারে৷
-
টেলি-সংযোগ ব্যবহারকারীদের দ্বারা ক্রয় করা ঐচ্ছিক পরিষেবাগুলি (কল ওয়েটিং, কল ফরওয়ার্ডিং, ডিএসএল, স্পিড কল, ইত্যাদি) সমর্থন সিদ্ধান্ত নেয় যে কীভাবে এই ফাংশনগুলিকে বান্ডেল করা যায় আয়কে সর্বাধিক করতে৷
-
খুচরা ব্যবহারকারীদের দ্বারা ব্যবহৃত ব্যাঙ্কিং পরিষেবাগুলি (মানি ইন্ডাস্ট্রি অ্যাকাউন্ট, সিডি, বিনিয়োগ পরিষেবা, গাড়ি ঋণ ইত্যাদি) ব্যবহারকারীদের অন্যান্য পরিষেবার প্রয়োজন হতে পারে বলে চিনতে পারে৷
-
অস্বাভাবিক গ্রুপ বীমা দাবি জালিয়াতির একটি অভিব্যক্তি হতে পারে এবং উচ্চতর তদন্ত শুরু করতে পারে৷
-
চিকিৎসা রোগীর ইতিহাস নির্দিষ্ট চিকিৎসার উপর ভিত্তি করে সম্ভাব্য জটিলতার অভিব্যক্তিকে সমর্থন করতে পারে।
অ্যাসোসিয়েশনের নিয়মগুলি প্রত্যাশা পূরণের জন্য পড়ে৷ উদাহরণস্বরূপ, খুচরা ব্যাঙ্কিং-এর মতো বাজারে ক্রস-সেলিং মডেল তৈরি করার জন্য এগুলি সর্বোত্তম পদ্ধতি নয়, কারণ নিয়মগুলি পূর্ববর্তী বিপণন প্রচারগুলিকে বর্ণনা করে। এছাড়াও, খুচরা ব্যাঙ্কিংয়ে, ব্যবহারকারীরা প্রায়শই একটি চেকিং অ্যাকাউন্ট এবং তারপর একটি সঞ্চয় অ্যাকাউন্ট দিয়ে শুরু করে। ব্যবহারকারীদের উচ্চতর পণ্য না পাওয়া পর্যন্ত পণ্যের মধ্যে পার্থক্য ঘটবে না।
Apriori অ্যালগরিদমে, এই অ্যালগরিদমের অ্যাসোসিয়েশন নিয়ম তৈরি করতে ঘন ঘন ডেটাসেটের প্রয়োজন হয়৷ এটি ডাটাবেসগুলিতে কাজ করার জন্য তৈরি করা হয়েছে যাতে লেনদেন অন্তর্ভুক্ত থাকে। আইটেমসেটটিকে কার্যকরভাবে গণনা করার জন্য এই অ্যালগরিদমের একটি প্রশস্ত-প্রথম অনুসন্ধান এবং হ্যাশ ট্রি প্রয়োজন৷
এটি সাধারণত বাজারের ঝুড়ি বিশ্লেষণ এবং ক্রয় করা পণ্যগুলি বোঝার জন্য সহায়তার জন্য ব্যবহৃত হয়। এটি রোগীদের জন্য ওষুধের প্রতিক্রিয়া আবিষ্কার করতে স্বাস্থ্যসেবা স্থানে ব্যবহার করা হয়।
Eclat অ্যালগরিদমে, এটি Equivalence Class Transformation প্রতিনিধিত্ব করে। একটি লেনদেন ডাটাবেসে ঘন ঘন আইটেমসেটগুলি আবিষ্কার করতে এই অ্যালগরিদমের একটি গভীরতা-প্রথম অনুসন্ধান পদ্ধতির প্রয়োজন৷ এটি Apriori অ্যালগরিদমের চেয়ে দ্রুত বাস্তবায়ন প্রয়োগ করে৷
