অ্যাসোসিয়েশন রুলের অ্যাপ্লিকেশন
অ্যাসোসিয়েশন রুল লার্নিং একটি আনসুপারভাইজড লার্নিং পদ্ধতির ধরন যা একটি ডেটা এলিমেন্টের অন্য একটি ডেটা এলিমেন্টের ওপর নির্ভরশীলতা পরীক্ষা করে এবং যথাযথভাবে তৈরি করে যাতে এটি আরও কার্যকর হয়। এটি ডেটাসেটের ভেরিয়েবলগুলোর মধ্যে কিছু আকর্ষণীয় সম্পর্ক বা রিলেশন আবিষ্কার করার চেষ্টা করে। এটি ডেটাবেসে ভেরিয়েবলগুলোর মধ্যে আকর্ষণীয় সম্পর্ক খুঁজে বের করার জন্য একাধিক নিয়মের ওপর নির্ভর করে।
অ্যাসোসিয়েশন রুল লার্নিং মেশিন লার্নিং-এর একটি গুরুত্বপূর্ণ কৌশল, এবং এটি মার্কেট বাস্কেট অ্যানালাইসিস, ওয়েব ইউসেজ মাইনিং, কন্টিনিউয়াস প্রোডাকশন, ইত্যাদিতে ব্যবহৃত হয়। মার্কেট বাস্কেট অ্যানালাইসিসে, এটি অনেক বড় রিটেলার দ্বারা আইটেমগুলোর মধ্যে সম্পর্ক খুঁজে বের করার জন্য যথেষ্ট ব্যবহৃত হয়।
অ্যাসোসিয়েশন রুলস মূলত পয়েন্ট-অফ-সেল ডেটা থেকে রূপান্তরিত হয়েছিল যা উপস্থাপন করে কোন প্রোডাক্ট একসাথে কেনা হয়। যদিও এর মূল পয়েন্ট-অফ-সেল ট্রানজ্যাকশন লিংক করার 데あり, অ্যাসোসিয়েশন রুলস রিটেল مار্কেটের বাইরেও ব্যবহার করা যেতে পারে "বাস্কেট" এর ধরনগুলোর মধ্যে সম্পর্ক খুঁজে বের করতে।
অ্যাসোসিয়েশন রুলের বিভিন্ন অ্যাপ্লিকেশন
ক্রেডিট কার্ডে কেনা আইটেম, যেমন ভাড়া কারের এবং হোটেল রুম, পরবর্তী প্রোডাক্ট যা কাস্টমার কেনার সম্ভাবনা তার অন্তর্দৃষ্টি দেয়।
টেলিকমিউনিকেশন ব্যবহারকারীদের দ্বারা কেনা অপশনাল সার্ভিস (কল ওয়ার্টিং, কল ফরওয়ার্ডিং, DSL, স্পিড কল, ইত্যাদি) সিদ্ধান্ত নেওয়ার সাহায্য করে এই ফাংশনগুলোকে কীভাবে বান্ডেল করতে হবে রেভেনিউ সর্বাধিক করতে।
রিটেল কাস্টমার দ্বারা ব্যবহৃত ব্যাংকিং সার্ভিস (মানি মার্কেট একাউন্ট, CD, ইনভেস্টমেন্ট সার্ভিস, কার লোন, ইত্যাদি) অন্য সার্ভিসের প্রয়োজনীয়তা সম্পন্ন কাস্টমার চিহ্নিত করে।
ইনশুরেন্স ক্লেইমের অস্বাভাবিক গ্রুপ ফ্রডের অভিব্যক্তি হতে পারে এবং আরও গভীর তদন্তের উতসাহ দিতে পারে।
মেডিকেল পেশেন্ট হিস্টরি নির্দিষ্ট ট্রিটমেন্ট সেটের ওপর ভিত্তি করে সম্ভাব্য কমপ্লিকেশনের অভিব্যক্তি সমর্থন করতে পারে।
অ্যাসোসিয়েশন রুলস আশা পূরণ করতে ব্যর্থ হয়। উদাহরণস্বরূপ, তারা রিটেল ব্যাংকিংয়ের মতো মার্কেটে ক্রস-সেলিং মডেল তৈরির জন্য সেরা পদ্ধতি নয়, কারণ রুলস শেষে পুরানো মার্কেটিং প্রোমোশন বর্ণনা করে। এছাড়াও, রিটেল ব্যাংকিং-এ, কাস্টমাররা প্রায়শে চেকিং একাউন্ট দিয়ে শুরু করে এবং তারপর সেভিং একাউন্ট। প্রোডাক্টের মধ্যে পার্থক্য তখন হয় যখন কাস্টমাররা আরও প্রোডাক্ট রাখে।
এপ্রিয়রি অ্যালগরিদমে (Apriori Algorithm), এই অ্যালগরিদম ফ্রিকোয়েন্ট ডেটাসেট প্রয়োজন অ্যাসোসিয়েশন রুল তৈরি করতে। এটি ট্রানজ্যাকশন ধারণকারী ডেটাবেসে কাজ করার জন্য ডিজাইন করা। এই অ্যালগরিদম ব্রেডথ-ফার্স্ট সার্চ এবং হ্যাশ ট্রি ব্যবহার করে আইটেমসেট কার্যকরভাবে গণনা করে।
এটি সাধারণত মার্কেট বাস্কেট অ্যানালাইসিসের জন্য ব্যবহার করা হয় এবং কেনা যেতে পারে এমন প্রোডাক্ট বোঝার সাহায্য করে। এটি হেলথকেয়ার স্পেসে ব্যবহার করা হয় রোগীদের জন্য ড্রাগ রিয়াকশন আবিষ্কার করতে।
Eclat অ্যালগরিদমে, এটি Equivalence Class Transformation উপস্থাপন করে। এই অ্যালগরিদম ডেপথ-ফার্স্ট সার্চ পদ্ধতি ব্যবহার করে ট্রানজ্যাকশন ডেটাবেসে ফ্রিকোয়েন্ট আইটেমসেট আবিষ্কার করতে। এটি এপ্রিয়রি অ্যালগরিদমের চেয়ে দ্রুত বাস্তবায়ন করে।
