एसोसिएशन नियम सीखना एक प्रकार की अनसुपरवाइज्ड लर्निंग तकनीक है जो एक डेटा तत्व की दूसरे डेटा तत्व पर निर्भरता का परीक्षण करती है और तदनुसार मैप करती है ताकि यह अधिक व्यावसायिक हो सके। यह डेटासेट के चर के बीच कुछ दिलचस्प संबंधों या संघों की खोज करने का प्रयास करता है। यह डेटाबेस में चर के बीच दिलचस्प संबंध खोजने के लिए कई नियमों पर निर्भर करता है।
एसोसिएशन नियम सीखना मशीन लर्निंग की आवश्यक अवधारणा है, और इसका उपयोग मार्केट बास्केट विश्लेषण, वेब उपयोग माइनिंग, निरंतर उत्पादन आदि में किया जाता है। इसलिए मार्केट बास्केट विश्लेषण कई बड़े खुदरा विक्रेताओं द्वारा वस्तुओं के बीच संघ खोजने के लिए उपयोग की जाने वाली एक विधि है।
मार्केट बास्केट विश्लेषण में, ग्राहकों की खरीदारी की आदतों का विश्लेषण उन विभिन्न वस्तुओं के बीच संघ ढूंढकर किया जाता है जो ग्राहक अपने शॉपिंग बास्केट में रखते हैं।
ऐसे संघों की खोज करके, खुदरा विक्रेता यह विश्लेषण करके मार्केटिंग दृष्टिकोण बनाते हैं कि ग्राहक द्वारा आमतौर पर कौन सी वस्तुएं खरीदी जाती हैं। यह संघ खुदरा विक्रेताओं को चुनिंदा मार्केटिंग करने और अपने शेल्फ क्षेत्र की योजना बनाने में सहायता करके बिक्री बढ़ा सकता है।
बहु-स्तरीय संघ के लिए लोकप्रिय अनुप्रयोग क्षेत्र मार्केट बास्केट विश्लेषण है, जो ग्राहकों की खरीदारी की आदतों का अध्ययन करता है उन वस्तुओं के सेट की खोज करके जो अक्सर एक साथ खरीदी जाती हैं जिसे अवधारणा पदानुक्रम की अवधारणा में प्रदर्शित किया गया था।
बहुआयामी एसोसिएशन नियम
दो या अधिक आयामों या विधेयकों वाले एसोसिएशन नियमों को बहुआयामी एसोसिएशन नियम कहा जा सकता है। उदाहरण के लिए,
Age (X, "20...29") ^ occupation (X, "Student") => buys (X, "Laptop")
इस नियम में तीन विधेयक (आयु, व्यवसाय, और खरीद) हैं, जिनमें से प्रत्येक नियम में केवल एक बार होता है, ऐसे नियमों को अंतर-आयामी एसोसिएशन नियम कहा जाता है। दोहराए गए विधेयकों वाले या कुछ विधेयकों की कई घटनाओं वाले नियमों को हाइब्रिड-आयाम एसोसिएशन नियम कहा जाता है।
उदाहरण के लिए,
Age (X, "20...29") ^ buys (X, "Laptop") => buys (X, "Printer")
डेटाबेस विशेषताएँ श्रेणीबद्ध या मात्रात्मक होनी चाहिए।
श्रेणीबद्ध विशेषताएँ (Categorical Attributes)
श्रेणीबद्ध विशेषताओं में संभावित मूल्यों की एक सीमित संख्या होती है, मूल्यों के बीच कोई क्रम नहीं होता, जिन्हें नाममात्र विशेषताएँ भी कहा जाता है।
मात्रात्मक विशेषताएँ (Quantitative Attributes)
मात्रात्मक विशेषताएँ संख्यात्मक होती हैं और मूल्यों के बीच एक अंतर्निहित क्रम होता है। मात्रात्मक विशेषताओं के उपचार के संबंध में तीन बुनियादी दृष्टिकोण हैं:
- पहला दृष्टिकोण: मात्रात्मक विशेषताओं को पूर्व-निर्धारित अवधारणा पदानुक्रम का उपयोग करके विवेकपूर्ण बनाया जाता है, जो माइनिंग से पहले होता है। विवेकपूर्ण संख्यात्मक विशेषताएँ उनकी रेंज मूल्यों के साथ श्रेणीबद्ध विशेषताओं के रूप में मानी जा सकती हैं।
- दूसरा दृष्टिकोण: मात्रात्मक विशेषताओं को डेटा के वितरण के आधार पर बिन में वर्गीकृत किया जाता है। इन बिन को माइनिंग प्रक्रिया के दौरान आगे जोड़ा जा सकता है। इसलिए विवेकीकरण की प्रक्रिया गतिशील और स्थापित है।
- तीसरा दृष्टिकोण: मात्रात्मक विशेषताओं को ऐसे अंतराल डेटा के अर्थ अर्थ को पकड़ने के लिए विवेकपूर्ण बनाया जाता है। यह शक्तिशाली विवेकीकरण चरण डेटा बिंदुओं के बीच की दूरी का इलाज करता है।
