অ্যানালিটিক্যাল ক্যারেক্টারাইজেশন এবং অ্যাট্রিবিউট রিলেভেন্স অ্যানালাইসিস
এটি ডেটা প্রিপ্রসেস করার একটি সাংখ্যিক পদ্ধতি যাতে অপ্রাসঙ্গিক অ্যাট্রিবিউট ফিল্টার আউট করা যায় বা প্রাসঙ্গিক অ্যাট্রিবিউট র্যাঙ্ক করা যায়। অ্যাট্রিবিউট রিলেভেন্স অ্যানালাইসিসের মাপগুলো অপ্রাসঙ্গিক অ্যাট্রিবিউট চিহ্নিত করতে ব্যবহার করা যেতে পারে যেগুলো কনসেপ্ট ডেসক্রিপশন প্রসেস থেকে বাদ দেওয়া যেতে পারে। এই প্রিপ্রসেসিং ধাপকে ক্লাস ক্যারেক্টারাইজেশন বা তুলনায় অন্তর্ভুক্ত করাকে অ্যানালিটিক্যাল ক্যারেক্টারাইজেশন বলা হয়।
ডেটা ডিসক্রিমিনেশন ডিসক্রিমিনেশন রুল তৈরি করে যেগুলো দুটি ক্লাসের সাধারণ বৈশিষ্ট্যের তুলনা যা টার্গেট ক্লাস এবং কন্ট্রাস্টিং ক্লাস হিসেবে সংজ্ঞায়িত।
এটি টার্গেট ক্লাস ডেটা অবজেক্টের সাধারণ বৈশিষ্ট্যের তুলনা এক বা একাধিক কন্ট্রাস্টিং ক্লাসের অবজেক্টের সাধারণ বৈশিষ্ট্যের সাথে। ব্যবহারকারী টার্গেট এবং কন্ট্রাস্টিং ক্লাস সংজ্ঞায়িত করতে পারে। ডেটা ডিসক্রিমিনেশনের জন্য ব্যবহৃত পদ্ধতিগুলো ডেটা ক্যারেক্টারাইজেশনের জন্য ব্যবহৃত পদ্ধতিগুলোর সাথে খুব সাদৃশ্যপূর্ণ, ছাড়া ডেটা ডিসক্রিমিনেশন ফলাফলে তুলনামূলক মাপ অন্তর্ভুক্ত থাকে।
অ্যাট্রিবিউট রিলেভেন্স অ্যানালাইসিসের কারণ
অ্যাট্রিবিউট রিলেভেন্স অ্যানালাইসিসের বেশ কিছু কারণ রয়েছে:
কোন ডায়মেনশনগুলো অন্তর্ভুক্ত করা উচিত সেটি সিদ্ধান্ত নিতে পারে।
উচ্চ স্তরের জেনারেলাইজেশন অর্জন করতে পারে।
অ্যাট্রিবিউটের সংখ্যা কমানো যায় যা প্যাটার্ন সহজে বোঝাতে সাহায্য করে।
অ্যাট্রিবিউট রিলেভেন্স অ্যানালাইসিসের মৌলিক ধারণা হল কিছু মাপ মূল্যায়ন করা যা একটি অ্যাট্রিবিউটের প্রাসঙ্গিকতা গণনা করতে পারে একটি দেওয়া ক্লাস বা কনসেপ্টের সাপেক্ষে। такие মাপগুলোর মধ্যে রয়েছে ইনফরমেশন গেইন (information gain), অস্পষ্টতা (ambiguity), এবং কোরিলেশন কোইফিশিয়েন্ট (correlation coefficient)।
কনসেপ্ট ডেসক্রিপশনের জন্য অ্যাট্রিবিউট রিলেভেন্স অ্যানালাইসিস বাস্তবায়ন
ডেটা সংগ্রহ (Data collection): কোয়ারি প্রসেসিং द्वारा টার্গেট ক্লাস এবং কন্ট্রাস্টিং ক্লাস উভয়ের জন্য ডেটা সংগ্রহ করা।
কনজারভেটিভ AOI ব্যবহার করে প্রিলিমিনারি রিলেভেন্স অ্যানালাইসিস (Preliminary relevance analysis using conservative AOI): এই ধাপটি ডায়মেনশন এবং অ্যাট্রিবিউটের একটি সেট চিহ্নিত করে যেগুলোর ওপর নির্বাচিত রিলেভেন্স মাপ প্রয়োগ করা হবে। AOI ব্যবহার করে ডেটায় প্রিলিমিনারি অ্যানালাইসিস বাস্তবায়ন করা যায় অত্যাধিক স্বতন্ত্র মান থাকা অ্যাট্রিবিউট বাদ দিয়ে। এটি কনজারভেটিভ হতে পারে, AOI বাস্তবায়ন করা উচিত অ্যাট্রিবিউট জেনারেলাইজেশন থ্রেশহোল্ড ব্যবহার করে যেগুলো যুক্তি সেট করা হয়েছে যথেষ্ট বড় যাতে আরও অ্যাট্রিবিউট নির্বাচিত মাপ দ্বারা আরও রিলেভেন্স অ্যানালাইসিসে বিবেচনা করা যায়।
বাদ দিন (Remove): এই প্রসেস অপ্রাসঙ্গিক এবং দুর্বল প্রাসঙ্গিক অ্যাট্রিবিউট বাদ দেয় নির্বাচিত রিলেভেন্স অ্যানালাইসিস মাপ ব্যবহার করে।
AOI ব্যবহার করে কনসেপ্ট ডেসক্রিপশন জেনারেট করুন (Generate the concept description using AOI): কম কনজারভেটিভ অ্যাট্রিবিউট জেনারেলাইজেশন থ্রেশহোল্ড সেট ব্যবহার করে AOI বাস্তবায়ন করুন। যদি বর্ণনামূলক মাইনিং ফাংশন ক্লাস ক্যারেক্টারাইজেশন হয়, শুধু মূল টার্গেট ক্লাস ওয়ার্কিং রিলেশন এখন অন্তর্ভুক্ত।
যদি বর্ণনামূলক মাইনিং ফাংশন ক্লাস ক্যারেক্টারাইজেশন হয়, শুধু মূল টার্গেট ক্লাস ওয়ার্কিং রিলেশন অন্তর্ভুক্ত। যদি বর্ণনামূলক মাইনিং ফাংশন ক্লাস ক্যারেক্টারাইজেশন হয়, শুধু মূল টার্গেট ক্লাস ওয়ার্কিং রিলেশন অন্তর্ভুক্ত। যদি বর্ণনামূলক মাইনিং ফাংশন ক্লাস তুলনা হয়, মূল টার্গেট ক্লাস ওয়ার্কিং রিলেশন এবং মূল কন্ট্রাস্টিং ক্লাস ওয়ার্কিং রিলেশন উভয়ই অন্তর্ভুক্ত।
