एसोसिएशन नियम क्लस्टरिंग सिस्टम में निम्नलिखित चरण शामिल हैं जो इस प्रकार हैं -
बिनिंग - मात्रात्मक विशेषताओं के पास उनके डोमेन का प्रतिनिधित्व करने वाले मूल्यों की एक विस्तृत श्रृंखला हो सकती है। यह सोचें कि 2-D ग्रिड कितना बड़ा होगा यदि यह उम्र और आय को अक्ष के रूप में प्लॉट करता है, जहां उम्र का हर संभव मूल्य एक अक्ष पर एक विशिष्ट स्थिति बनाता है, और इसी तरह, आय का हर संभव मूल्य दूसरे अक्ष पर एक विशिष्ट स्थिति बनाता है।
ग्रिड को प्रबंधनीय आकार तक रखने के लिए, यह मात्रात्मक विशेषताओं के क्षेत्रों को अंतराल में विभाजित कर सकता है। ये अंतराल शक्तिशाली हैं क्योंकि उन्हें खनन चरण के दौरान जोड़ा जा सकता है। विभाजन चरण को बिनिंग के रूप में परिभाषित किया जाता है, यानी, जहां अंतराल को "बिन" माना जाता है।
तीन सामान्य बिनिंग रणनीतियाँ इस प्रकार हैं -
समान-चौड़ाई बिनिंग - समान-चौड़ाई बिनिंग में, जहां प्रत्येक बिन का अंतराल आकार समान होता है।
समान-आवृत्ति बिनिंग - समान आवृत्ति बिनिंग में, जहां प्रत्येक बिन में लगभग समान संख्या में टुपल्स निर्दिष्ट होते हैं।
क्लस्टरिंग-आधारित बिनिंग - क्लस्टरिंग-आधारित बिनिंग में, जहां मात्रात्मक विशेषता पर क्लस्टरिंग की जाती है ताकि पड़ोसी बिंदुओं (विभिन्न दूरी मापों के आधार पर आंका गया) को उसी बिन में समूहित किया जा सके।
ARCS को समान-चौड़ाई बिनिंग की आवश्यकता होती है, जहां प्रत्येक मात्रात्मक विशेषता के लिए बिन आकार उपयोगकर्ता द्वारा इनपुट किया जाता है। दोनों मात्रात्मक विशेषताओं सहित हर संभावित बिन संयोजन के लिए एक 2-D सरणी उत्पन्न की जाती है।
प्रत्येक सरणी सेल नियम के दाहिने हाथ की ओर की श्रेणीबद्ध विशेषता के प्रत्येक प्राप्त करने योग्य क्लास के लिए संबंधित गणना वितरण को प्रभावित करता है। इस डेटा संरचना को बनाकर, कार्य-प्रासंगिक डेटा को केवल एक बार स्कैन करने की आवश्यकता होती है। उसी 2-D सरणी का उपयोग उसी दो मात्रात्मक विशेषताओं के आधार पर श्रेणीबद्ध विशेषता के किसी भी मूल्य के लिए नियम उत्पन्न करने के लिए किया जा सकता है।
लगातार प्रिडिकेट सेट ढूंढना - क्योंकि प्रत्येक श्रेणी के लिए गणना वितरण सहित 2-D सरणी सेट अप है, इसे लगातार प्रिडिकेट सेट (न्यूनतम समर्थन को संतुष्ट करने वाले) खोजने के लिए स्कैन किया जा सकता है जो न्यूनतम विश्वास को भी संतुष्ट करते हैं।
एल्गोरिदम ग्रिड की जांच करता है, नियमों के आयताकार क्लस्टर्स की तलाश करता है। इस तरह, एक नियम क्लस्टर के भीतर दिखाई देने वाले मात्रात्मक विशेषताओं के बिन्स को जोड़ा जा सकता है, और इसलिए मात्रात्मक विशेषताओं का गतिशील विवेक प्रकट होता है।
ग्रिड-आधारित विधि ने वर्णन किया कि मूल एसोसिएशन नियमों को आयताकार क्षेत्रों में क्लस्टर किया जा सकता है। क्लस्टरिंग लागू करने से पहले, शोर और बाहरी मानों को रिकॉर्ड से हटाने के लिए स्मूथिंग विधियों का उपयोग किया जा सकता है। आयताकार क्लस्टर्स जानकारी को सरल बना सकते हैं।
एक गैर-ग्रिड-आधारित दृष्टिकोण की सिफारिश की गई है ताकि मात्रात्मक एसोसिएशन नियमों की खोज की जा सके जो अधिक सामान्य हैं, जहां कई मात्रात्मक और श्रेणीबद्ध विशेषताएं नियमों के किसी भी तरफ हो सकती हैं।
इस दृष्टिकोण में, मात्रात्मक विशेषताओं को समान आवृत्ति बिनिंग का उपयोग करके गतिशील रूप से अलग किया जाता है, और विभाजनों को आंशिक पूर्णता के माप के आधार पर जोड़ा जाता है, जो विभाजन के कारण खोए गए डेटा को मापता है।
