এসোসিয়েশন রুল ক্লাস্টারিং সিস্টেমে নিচের ধাপগুলো জড়িত থাকে:
Binning - কোয়ানটিটেটিভ অ্যাট্রিবিউটের একটি ব্যাপক রেঞ্জের ভ্যালু থাকতে পারে তাদের ডোমেন প্রতিনিধিত্ব করার জন্য। এটি চিন্তা করুন কত বড় একটি 2-D গ্রিড হবে যদি এটি age এবং income কে axes হিসেবে প্লট করা হয়, যেখানে age-এর প্রতিটি সম্ভাব্য ভ্যালু একদিকে নির্দিষ্ট পজিশন বানায়, এবং একইভাবে income-এর প্রতিটি সম্ভাব্য ভ্যালু অন্য দিক নির্দিষ্ট পজিশন বানায়।
গ্রিডগুলো Manageable size-এ রাখতে, কোয়ানটিটেটিভ অ্যাট্রিবিউটের এলাকা ইন্টারভালে পার্টিশন করা হয়। এই ইন্টারভালগুলো powerful কারণ মাইনিং ফেজে সেগুলো কম্বাইন করা যেতে পারে। পার্টিশনিং ফেজকে binning বলা হয়, অর্থাৎ, যেখানে ইন্টারভালগুলোকে "bins" হিসেবে বিবেচনা করা হয়।
তিনটি সাধারণ বিনিং স্ট্র্যাটেজি রয়েছে:
Equal-width binning - ইকুয়াল-উইডথ বিনিং-এ, যেখানে প্রতিটি বিনের ইন্টারভাল সাইজ একই।
Equal-frequency binning - ইকুয়াল-ফ্রিকোয়েন্সি বিনিং-এ, যেখানে প্রতিটি বিনে প্রায় একই সংখ্যক টাপলস অ্যাসাইন করা হয়।
Clustering-based binning - ক্লাস্টারিং-বেইজড বিনিং-এ, যেখানে কোয়ানটিটেটিভ অ্যাট্রিবিউটে ক্লাস্টারিং পারফর্ম করা হয় নিকটবর্তী পয়েন্টগুলো (বিভিন্ন ডিস্ট্যান্স মেজার্সের ভিত্তিতে জাজ করা) একই বিনে গ্রুপ করার জন্য।
ARCS ইকুয়াল-উইডথ বিনিং প্রয়োজন, যেখানে প্রতিটি কোয়ানটিটেটিভ অ্যাট্রিবিউটের বিন সাইজ ইউজার দ্বারা ইনপুট করা হয়। একটি 2-D অ্যারে উত্পন্ন হয় প্রতিটি সম্ভাব্য বিন কম্বিনেশনের জন্য যাতে উভয় কোয়ানটিটেটিভ অ্যাট্রিবিউট অন্তর্ভুক্ত থাকে।
প্রতিটি অ্যারে সেল রুলের ডান দিকের ক্যাটাগরিক্যাল অ্যাট্রিবিউটের প্রতিটি অর্জযোগ্য ক্লাসের জন্য সংশ্লিষ্ট কাউন্ট ডিস্ট্রিবিউশন প্রভাবিত করে। এই ডেটা স্ট্রাকচার তৈরি করে, টাস্ক-রিলেভেন্ট ডেটা শুধু একবার স্ক্যান করা দরকার। একই 2-D অ্যারে ব্যবহার করা যেতে পারে ক্যাটাগরিক্যাল অ্যাট্রিবিউটের যেকোনো ভ্যালুর জন্য রুলস জেনারেট করতে, একই দুটি কোয়ানটিটেটিভ অ্যাট্রিবিউটের ভিত্তিতে।
Finding frequent predicate sets - যেহেতু প্রতিটি ক্যাটাগরির জন্য কাউন্ট ডিস্ট্রিবিউশন ধারণকারী 2-D অ্যারে সেট আপ করা হয়েছে, এটি স্ক্যান করা যেতে পারে frequent predicate sets (যারা minimum support সেটিসফাই করে) খুঁজে বের করতে যারা minimum confidence-ও সেটিসফাই করে।
অ্যালগরিদমটি গ্রিডটি চেক করে, রুলসের রেক্ট্যাঙ্গুলার ক্লাস্টার খুঁজে বের করার জন্য। এই পদ্ধতিতে, একটি রুল ক্লাস্টারে প্রদর্শিত কোয়ানটিটেটিভ অ্যাট্রিবিউটের বিনগুলো কম্বাইন করা যেতে পারে, এবং সুতরাং কোয়ানটিটেটিভ অ্যাট্রিবিউটের ডাইনামিক ডিসক্রিটাইজেশন ঘটে।
Grid-based method বর্ণনা করে যে অরিজিনাল এসোসিয়েশন রুলগুলো রেক্ট্যাঙ্গুলার রিজনে ক্লাস্টার করা যেতে পারে। ক্লাস্টারিং ইমপ্লিমেন্ট করার আগে, স্মুথিং মেথডস ব্যবহার করা যেতে পারে নויז এবং আউটলায়ার রেকর্ডস থেকে রিমুভ করতে। রেক্ট্যাঙ্গুলার ক্লাস্টার ইনফরমেশন ওভারসিম্প্লিফাই করতে পারে।
একটি non-grid-based approach রিকমেন্ড করা হয়েছে কোয়ানটিটেটিভ এসোসিয়েশন রুলস আবিষ্কার করতে যা আরও general, যেখানে বেশ কিছু কোয়ানটিটেটিভ এবং ক্যাটাগরিক্যাল অ্যাট্রিবিউট রুলের যেকোনো সাইডে থাকতে পারে।
এই approach-এ, কোয়ানটিটেটিভ অ্যাট্রিবিউটস dynamically isolated using same frequency binning, এবং পার্টিশনগুলো combined based on a measure of partial completeness, which quantifies the data lost because of partitioning।
