কিভাবে ব্যতিক্রম মান গণনা করা হয়?

ডেটা অসঙ্গতিগুলি সনাক্ত করতে সহায়তা করার জন্য ব্যতিক্রম সূচক হিসাবে তিনটি ব্যবস্থা ব্যবহার করা হয়। এই পরিমাপগুলি আশ্চর্যের মাত্রা নির্দেশ করে যে একটি কোষের পরিমাণ তার প্রত্যাশিত মান সম্পর্কিত।

সমস্ত স্তরের সমষ্টির জন্য পরিমাপগুলি গণনা করা হয় এবং প্রতিটি কোষের সাথে যুক্ত। সেগুলি হল নিম্নরূপ যার মধ্যে রয়েছে SelfExp, InExp, এবং PathExp পরিমাপগুলি টেবিল বিশ্লেষণের জন্য একটি সংখ্যাগত পদ্ধতির উপর ভিত্তি করে৷

একটি কোষের মানকে একটি ব্যতিক্রম হিসাবে বিবেচনা করা হয় এটি তার প্রত্যাশিত মানের থেকে কতটা আলাদা তার উপর নির্ভর করে, যেখানে এটির প্রত্যাশিত মান একটি পরিসংখ্যানগত মডেলের সাথে নির্ধারণ করা হয়। একটি প্রদত্ত সেল মান এবং এর প্রত্যাশিত মানের মধ্যে পার্থক্যটি অবশিষ্টাংশ হিসাবে পরিচিত।

স্বজ্ঞাতভাবে, অবশিষ্টাংশ যত বেশি, প্রদত্ত কোষের অতিরিক্ত মান একটি ব্যতিক্রম। অবশিষ্ট মানগুলির তুলনার জন্য আমাদের অবশিষ্টাংশের সাথে যুক্ত প্রত্যাশিত মান বিচ্যুতির উপর ভিত্তি করে মানগুলিকে স্কেল করতে হবে। একটি ঘরের মান তাই একটি ব্যতিক্রম হিসাবে বিবেচিত হয় যদি এটি স্কেল করা অবশিষ্ট মান একটি পূর্বনির্ধারিত থ্রেশহোল্ড অতিক্রম করে৷

SelfExp, InExp, এবং PathExp পরিমাপ এই স্কেল করা অবশিষ্টাংশের উপর ভিত্তি করে। প্রদত্ত কক্ষের প্রত্যাশিত মান হল প্রদত্ত কক্ষের বৃহত্তর-স্তরের গোষ্ঠীর একটি পরিষেবা। উদাহরণস্বরূপ, A, B এবং C তিনটি মাত্রা সহ একটি ঘনক্ষেত্র দেওয়া হলে, A-তে ith অবস্থানে একটি ঘরের জন্য প্রত্যাশিত মান, B-তে jth অবস্থান এবং C-তে kth অবস্থান হল γ, γAi , এর একটি ফাংশন। γBj , γCk , γ ABij , γ ACik , এবং γ BCjk , যা ব্যবহৃত সংখ্যাসূচক মডেলের সহগ৷

সহগগুলি অনুসরণ করে আরও স্তরে মানগুলি কতটা আলাদা তা বৃহত্তর-স্তরের সমষ্টিতে দেখার দ্বারা গঠিত সাধারণ ইম্প্রেশনের উপর নির্ভর করে। এই পদ্ধতিতে, একটি ঘর মানের ব্যতিক্রম গুণমান এটি অনুসরণ করা মানগুলির ব্যতিক্রমগুলির উপর নির্ভর করে। তাই, একটি ব্যতিক্রম দেখার সময়, ব্যবহারকারীর জন্য ড্রিল ডাউন করে ব্যতিক্রম বিশ্লেষণ করা অপরিহার্য৷

এই গণনাটি তিনটি পর্যায় নিয়ে গঠিত যেমন নিম্নলিখিত −

প্রথম ধাপে যোগফল বা গণনা সহ কিউব সংজ্ঞায়িত সমষ্টিগত মানগুলির গণনা রয়েছে, যার উপর ব্যতিক্রমগুলি আবিষ্কৃত হবে৷
দ্বিতীয় ধাপে মডেল ফিটিং রয়েছে, যেখানে সহগ নির্ধারণ করা হয় এবং প্রমিত অবশিষ্টাংশ গণনা করতে ব্যবহৃত হয়। এই পর্যায়টি প্রথম পর্যায়ের সাথে ওভারল্যাপ করা যেতে পারে কারণ গণনা একই।
তৃতীয় ধাপে SelfExp, InExp, এবং PathExp মান গণনা করা হয়, যা প্রমিত অবশিষ্টাংশের উপর নির্ভর করে। এই পর্যায়টি গণনাগতভাবে ফেজ 1 এর সমতুল্য। তাই, আবিষ্কার-চালিত অনুসন্ধানের জন্য ডেটা কিউবগুলির গণনা কার্যকরভাবে সম্পন্ন করা যেতে পারে।