एसोसिएशन नियम के अनुप्रयोग
एसोसिएशन नियम सीखना अनसुपरवाइज्ड लर्निंग विधियों का एक प्रकार है जो एक डेटा तत्व की दूसरे डेटा तत्व पर निर्भरता का परीक्षण करता है और तदनुसार बनाता 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। यह डेटाबेस में चरों के बीच दिलचस्प संबंधों को खोजने के लिए कई नियमों पर निर्भर करता है।
एसोसिएशन नियम सीखना मशीन लर्निंग की महत्वपूर्ण तकनीक है, और इसे मार्केट बास्केट विश्लेषण, वेब उपयोग खनन, निरंतर उत्पादन, आदि में नियोजित किया जाता है। मार्केट बास्केट विश्लेषण में, यह कई बड़े खुदरा विक्रेताओं द्वारा आइटम्स के बीच संबंधों को खोजने के लिए पर्याप्त रूप से उपयोग किया जाता है।
एसोसिएशन नियम मूल रूप से पॉइंट-ऑफ-सेल डेटा से परिवर्तित किए गए थे जो दर्शाते हैं कि कौन से उत्पाद एक साथ खरीदे जाते हैं। हालांकि इसकी जड़ें पॉइंट-ऑफ-सेल लेनदेन को जोड़ने में हैं, एसोसिएशन नियमों का उपयोग खुदरा बाजार के बाहर "बास्केट" के प्रकारों के बीच संबंधों को खोजने के लिए किया जा सकता है।
एसोसिएशन नियम के विभिन्न अनुप्रयोग
क्रेडिट कार्ड पर खरीदे गए आइटम्स, जैसे रेंटल कार और होटल रूम, अगले उत्पाद में अंतर्दृष्टि का समर्थन करते हैं जो ग्राहक खरीदने की संभावना रखते हैं।
टेलीकम्युनिकेशन उपयोगकर्ताओं द्वारा खरीदी गई वैकल्पिक सेवाएं (कॉल वेटिंग, कॉल फॉरवर्डिंग, DSL, स्पीड कॉल, आदि) यह तय करने में सहायता करती हैं कि राजस्व को अधिकतम करने के लिए इन कार्यों को कैसे बंडल किया जाए।
खुदरा उपयोगकर्ताओं द्वारा उपयोग की जाने वाली बैंकिंग सेवाएं (मनी मार्केट खाते, CDs, निवेश सेवाएं, कार ऋण, आदि) अन्य सेवाओं की आवश्यकता वाले उपयोगकर्ताओं को पहचानती हैं।
बीमा दावों का असामान्य समूह धोखाधड़ी की अभिव्यक्ति हो सकता है और उच्च जांच को प्रेरित कर सकता है।
चिकित्सा रोगी इतिहास विशिष्ट उपचारों के सेट के आधार पर संभावित जटिलताओं की अभिव्यक्ति का समर्थन कर सकते हैं।
एसोसिएशन नियम उम्मीदों पर खरे नहीं उतरते। उदाहरण के लिए, वे खुदरा बैंकिंग जैसे बाजारों में क्रॉस-सेलिंग मॉडल बनाने के लिए सर्वोत्तम विधि नहीं हैं, क्योंकि नियम पिछले मार्केटिंग प्रचारों का वर्णन करते हुए समाप्त होते हैं। इसके अलावा, खुदरा बैंकिंग में, उपयोगकर्ता अक्सर चेकिंग खाते से शुरू करते हैं और फिर बचत खाता। उत्पादों के बीच भेदभाव तब तक नहीं होता जब तक उपयोगकर्ताओं के पास अधिक उत्पाद न हों।
Apriori और Eclat एल्गोरिदम
Apriori एल्गोरिदम में, इस एल्गोरिदम को एसोसिएशन नियम बनाने के लिए लगातार डेटासेट्स की आवश्यकता होती है। यह ट्रांजैक्शन शामिल करने वाले डेटाबेस पर काम करने के लिए बनाया गया है। यह एल्गोरिदम ब्रेडथ-फर्स्ट सर्च और हैश ट्री का उपयोग करके आइटमसेट को प्रभावी ढंग से गणना करता है।
यह आमतौर पर मार्केट बास्केट विश्लेषण के लिए उपयोग किया जाता है और उन उत्पादों को समझने में मदद करता है जिन्हें एक साथ खरीदा जा सकता है। इसका उपयोग हेल्थकेयर स्पेस में रोगियों के लिए दवा प्रतिक्रियाओं की खोज के लिए किया जाता है।
Eclat एल्गोरिदम में, यह Equivalence Class Transformation को दर्शाता है। यह एल्गोरिदम ट्रांजैक्शन डेटाबेस में लगातार आइटमसेट्स की खोज के लिए डेप्थ-फर्स्ट सर्च विधि का उपयोग करता है। यह Apriori एल्गोरिदम की तुलना में तेज़ कार्यान्वयन करता है।
