एसोसिएशन नियम खनन समर्थन (आवृत्ति) और विश्वास (विश्वसनीयता) द्वारा मापे गए "यदि A, तो B" नियमों का उपयोग करके डेटासेट में वस्तुओं के बीच संबंधों की खोज करता है। मल्टीलेवल एसोसिएशन नियम खनन इसे विभिन्न दानेदार स्तरों पर संबंधों को खोजने के लिए विस्तारित करता है, उदाहरण के लिए, व्यक्तिगत उत्पादों और उत्पाद श्रेणियों के बीच।
एसोसिएशन नियम मूल बातें
Apriori एल्गोरिथम एसोसिएशन नियमों के खनन के लिए व्यापक रूप से उपयोग किया जाता है। यह पुनरावृत्त रूप से उम्मीदवार आइटमसेट उत्पन्न करता है और समर्थन/विश्वास थ्रेशोल्ड से नीचे वालों को हटा देता है।
इलेक्ट्रॉनिक्स → लैपटॉप/फोन/टैबलेट → डेल/एचपी (स्तर 0 → स्तर 1 → स्तर 2)
प्रकार
- बहु-आयामी: विभिन्न आयामों (उत्पाद, क्षेत्र, समय) में संबंध।
- बहु-स्तरीय: दानेदार स्तरों (व्यक्तिगत आइटम ↔ श्रेणियां) में संबंध।
समर्थन थ्रेशोल्ड दृष्टिकोण
| दृष्टिकोण | विवरण | ट्रेड-ऑफ |
|---|---|---|
| यूनिफॉर्म समर्थन | सभी स्तरों के लिए समान थ्रेशोल्ड | सरल लेकिन निम्न-स्तरीय पैटर्न छूट सकते हैं |
| कम समर्थन | निचले स्तरों पर कम थ्रेशोल्ड | अधिक पैटर्न पकड़ता है लेकिन अधिक गणना |
| समूह-आधारित समर्थन | विशेषज्ञ प्रति समूह/श्रेणी थ्रेशोल्ड सेट करता है | सबसे लचीला, डोमेन ज्ञान की आवश्यकता |
अनुप्रयोग
- रिटेल: ग्राहक खरीद व्यवहार, उत्पाद प्लेसमेंट अनुकूलन।
- हेल्थकेयर: बीमारी पैटर्न पहचान, उपचार अनुकूलन।
- धोखाधड़ी पहचान: वित्त और बीमा में विसंगति पहचान।
- वेब खनन: उपयोगकर्ता वरीयता विश्लेषण, सामग्री व्यक्तिगतकरण।
- सोशल नेटवर्क: समुदाय पहचान, प्रभावक पहचान।
चुनौतियाँ
- उच्च आयामता: बड़ी संख्या में विशेषताएँ जटिलता बढ़ाती हैं।
- बड़े डेटासेट: रिकॉर्ड की मात्रा प्रसंस्करण धीमा करती है।
- स्केलेबिलिटी: डेटासेट मेमोरी में फिट होने के लिए बहुत बड़े हैं, वितरित दृष्टिकोण की आवश्यकता है।
निष्कर्ष
मल्टीलेवल एसोसिएशन नियम खनन उन संबंधों की खोज करता है जो सिंगल-लेवल खनन से चूक जाएंगे। समर्थन थ्रेशोल्ड दृष्टिकोण (यूनिफॉर्म, कम, या समूह-आधारित) का चयन पैटर्न खोज को कम्प्यूटेशनल लागत के खिलाफ संतुलित करता है। यह रिटेल, हेल्थकेयर, धोखाधड़ी पहचान, और वेब खनन में व्यापक रूप से लागू होता है।
