एसोसिएशन रूल लर्निंग एक प्रकार की अप्रशिक्षित शिक्षण विधि है जो एक डेटा तत्व की दूसरे डेटा तत्व पर निर्भरता के लिए परीक्षण करती है और उचित रूप से बनाती है ताकि यह अधिक प्रभावी हो सके। यह डेटासेट के चरों के बीच कुछ दिलचस्प संबंधों या संबंधों की खोज करने का प्रयास करता है। डेटाबेस में वेरिएबल के बीच दिलचस्प संबंध खोजने के लिए यह कई नियमों पर निर्भर करता है।
एसोसिएशन रूल लर्निंग मशीन लर्निंग की महत्वपूर्ण तकनीक है, और इसे मार्केट बास्केट एनालिसिस, वेब यूसेज माइनिंग, निरंतर उत्पादन आदि में नियोजित किया जाता है। मार्केट बास्केट विश्लेषण में, यह कई बड़े खुदरा विक्रेताओं द्वारा वस्तुओं के बीच संबंधों को खोजने के लिए पर्याप्त रूप से उपयोग किया जाता है। ।
एसोसिएशन नियमों को मूल रूप से पॉइंट-ऑफ-सेल डेटा से रूपांतरित किया गया था जो दर्शाता है कि कौन से उत्पाद एक साथ खरीदे गए हैं। हालांकि इसकी जड़ें पॉइंट-ऑफ-सेल लेन-देन को जोड़ने में हैं, एसोसिएशन के नियमों का इस्तेमाल खुदरा बाजार के बाहर "टोकरियों" के बीच संबंधों को खोजने के लिए किया जा सकता है।
एसोसिएशन नियम के विभिन्न अनुप्रयोग हैं जो इस प्रकार हैं -
-
क्रेडिट कार्ड से खरीदे गए आइटम, जैसे किराये की कार और होटल के कमरे, निम्नलिखित उत्पाद की अंतर्दृष्टि का समर्थन करते हैं जिसे ग्राहक खरीद सकते हैं।
-
टेली-कनेक्शन उपयोगकर्ताओं द्वारा खरीदी गई वैकल्पिक सेवाएं (कॉल प्रतीक्षा, कॉल अग्रेषण, डीएसएल, स्पीड कॉल, आदि) समर्थन यह तय करती हैं कि राजस्व को अधिकतम करने के लिए इन कार्यों को कैसे बंडल किया जाए।
-
खुदरा उपयोगकर्ताओं (मुद्रा उद्योग खाते, सीडी, निवेश सेवाएं, कार ऋण, आदि) द्वारा उपयोग की जाने वाली बैंकिंग सेवाएं उन उपयोगकर्ताओं को पहचानती हैं जिन्हें अन्य सेवाओं की आवश्यकता हो सकती है।
-
बीमा दावों का असामान्य समूह धोखाधड़ी की अभिव्यक्ति हो सकता है और उच्च जांच को बढ़ावा दे सकता है।
-
चिकित्सा रोगी इतिहास उपचार के निश्चित सेट के आधार पर संभावित जटिलताओं की अभिव्यक्तियों का समर्थन कर सकता है।
एसोसिएशन के नियम उम्मीदों पर खरे उतरते हैं। उदाहरण के लिए, वे खुदरा बैंकिंग जैसे बाजार में क्रॉस-सेलिंग मॉडल तैयार करने का सबसे अच्छा तरीका नहीं हैं, क्योंकि नियम पिछले मार्केटिंग प्रचारों का वर्णन करते हैं। इसके अलावा, खुदरा बैंकिंग में, उपयोगकर्ता अक्सर एक चेकिंग खाते और फिर एक बचत खाते से शुरू करते हैं। उत्पादों के बीच अंतर तब तक नहीं होता जब तक कि उपयोगकर्ताओं के पास उच्च उत्पाद न हों।
Apriori Algorithm में, इस एल्गोरिथम को एसोसिएशन नियम बनाने के लिए लगातार डेटासेट की आवश्यकता होती है। यह डेटाबेस पर काम करने के लिए बनाया गया है जिसमें लेनदेन शामिल हैं। आइटमसेट की प्रभावी ढंग से गणना करने के लिए इस एल्गोरिथम को चौड़ाई-प्रथम खोज और हैश ट्री की आवश्यकता थी।
यह आम तौर पर बाजार टोकरी विश्लेषण और खरीदे जा सकने वाले उत्पादों को समझने के लिए समर्थन के लिए उपयोग किया जाता है। इसका उपयोग स्वास्थ्य सेवा क्षेत्र में रोगियों के लिए दवा प्रतिक्रियाओं की खोज के लिए किया जाता है।
Eclat एल्गोरिथ्म में, यह तुल्यता वर्ग परिवर्तन का प्रतिनिधित्व करता है। लेन-देन डेटाबेस में लगातार आइटमसेट खोजने के लिए इस एल्गोरिदम को गहराई से पहली खोज विधि की आवश्यकता होती है। यह एप्रीओरी एल्गोरिथम की तुलना में त्वरित कार्यान्वयन को लागू करता है।