অ্যাসোসিয়েশন রুল মাইনিং সমর্থন (ফ্রিকোয়েন্সি) এবং আত্মবিশ্বাস (নির্ভরযোগ্যতা) দ্বারা পরিমাপ করা "যদি A, তারপর B" নিয়মগুলি ব্যবহার করে ডেটাসেটে আইটেমগুলির মধ্যে সম্পর্ক আবিষ্কার করে। মাল্টিলেভেল অ্যাসোসিয়েশন রুল মাইনিং এটিকে প্রসারিত করে বিভিন্ন স্তরের গ্রানুলারিটির মধ্যে সম্পর্ক খুঁজে বের করার জন্য, উদাহরণস্বরূপ, পৃথক পণ্য এবং পণ্য বিভাগের মধ্যে।
অ্যাসোসিয়েশন রুল বেসিকস
Apriori অ্যালগরিদম ব্যাপকভাবে খনির অ্যাসোসিয়েশন নিয়মের জন্য ব্যবহৃত হয়। এটি পুনরাবৃত্তভাবে প্রার্থীর আইটেমসেট তৈরি করে এবং সমর্থন/আস্থার থ্রেশহোল্ডের নীচে থাকা জিনিসগুলিকে ছাঁটাই করে৷
ইলেকট্রনিক্স ল্যাপটপ ফোন ট্যাবলেট ডেল এইচপি লেভেল 0 লেভেল 1 লেভেল 2প্রকার
- বিভিন্ন মাত্রা জুড়ে বহুমাত্রিক সম্পর্ক (পণ্য, অঞ্চল, সময়)।
- মাল্টি-লেভেল সম্পর্ক গ্রানুলারিটি স্তর জুড়ে (ব্যক্তিগত আইটেম ↔ বিভাগ)।
সমর্থন থ্রেশহোল্ড পদ্ধতি
অ্যাপ্লিকেশন
- খুচরা গ্রাহক কেনার আচরণ, পণ্য বসানো অপ্টিমাইজেশান।
- স্বাস্থ্যসেবা রোগের প্যাটার্ন শনাক্তকরণ, চিকিৎসার অপ্টিমাইজেশান।
- জালিয়াতি সনাক্তকরণ অর্থ এবং বীমার ক্ষেত্রে অসামঞ্জস্য সনাক্তকরণ।
- ওয়েব মাইনিং ব্যবহারকারীর পছন্দ বিশ্লেষণ, বিষয়বস্তু ব্যক্তিগতকরণ।
- সামাজিক নেটওয়ার্ক সম্প্রদায় সনাক্তকরণ, প্রভাবক সনাক্তকরণ।
চ্যালেঞ্জ
- উচ্চমাত্রিকতা বেশি সংখ্যক বৈশিষ্ট্য জটিলতা বাড়ায়।
- বড় ডেটাসেট রেকর্ডের ভলিউম প্রক্রিয়াকরণকে ধীর করে দেয়।
- মেমরিতে মাপসই করার জন্য স্কেলেবিলিটি ডেটাসেটগুলি খুব বড় হলে বিতরণ পদ্ধতির প্রয়োজন৷
উপসংহার
মাল্টিলেভেল অ্যাসোসিয়েশন রুল মাইনিং বিভিন্ন গ্রানুলারিটি লেভেলে সম্পর্ক আবিষ্কার করে যা একক-স্তরের মাইনিং মিস করবে। সমর্থন থ্রেশহোল্ড পদ্ধতির পছন্দ (অভিন্ন, হ্রাস, বা গ্রুপ-ভিত্তিক) গণনামূলক খরচের বিপরীতে প্যাটার্ন আবিষ্কারের ভারসাম্য বজায় রাখে। এটি খুচরো, স্বাস্থ্যসেবা, জালিয়াতি সনাক্তকরণ এবং ওয়েব মাইনিং-এ ব্যাপকভাবে প্রয়োগ করা হয়।
