एसोसिएशन विश्लेषण एल्गोरिदम में बड़ी संख्या में पैटर्न बनाने की संभावना होती है। उदाहरण के लिए, हालांकि डेटा सेट में केवल छह आइटम शामिल हैं, यह विशिष्ट समर्थन और विश्वास थ्रेशोल्ड पर हजारों एसोसिएशन नियम बना सकता है। चूंकि वास्तविक मौद्रिक डेटाबेस का आकार और आयाम बड़े हो सकते हैं, वे आसानी से हजारों या लाखों पैटर्न के साथ समाप्त हो सकते हैं, जिनमें से कुछ दिलचस्प नहीं हो सकते।
पैटर्न के माध्यम से विश्लेषण करके सबसे दिलचस्प लोगों को पहचानना एक तुच्छ सेवा नहीं है क्योंकि एक व्यक्ति का कचरा दूसरे व्यक्ति का खजाना हो सकता है। एसोसिएशन पैटर्न की गुणवत्ता की गणना के लिए अच्छी तरह से स्वीकृत विधियों का एक सेट बनाना आवश्यक है।
मानदंडों का पहला सेट सांख्यिकीय तर्कों के माध्यम से बनाया जा सकता है। पैटर्न जिनमें पारस्परिक रूप से अलग आइटम्स का समूह शामिल होता है या कई लेनदेन को कवर करते हैं, उन्हें अनइंटरेस्टिंग माना जाता है क्योंकि वे डेटा में नकली संघों को ले जा सकते हैं।
ऐसे पैटर्न को एक वस्तुनिष्ठ दिलचस्पी भाग का उपयोग करके हटाया जा सकता है जो यह तय करने के लिए डेटा से प्राप्त सांख्यिकी का उपयोग करता है कि कोई पैटर्न दिलचस्प है या नहीं। वस्तुनिष्ठ दिलचस्पी उपायों के उदाहरण जैसे समर्थन, विश्वास, और सहसंबंध।
मानदंडों का दूसरा सेट व्यक्तिपरक तर्कों के माध्यम से बनाया जा सकता है। एक पैटर्न को व्यक्तिपरक रूप से अनइंटरेस्टिंग माना जाता है जब तक कि यह डेटा के बारे में अप्रत्याशित डेटा को स्वीकार नहीं करता या लाभकारी सेवाओं को जन्म दे सकने वाले लाभकारी ज्ञान का समर्थन नहीं करता।
उदाहरण के लिए, नियम {बटर}→{ब्रेड} दिलचस्प नहीं हो सकता, भले ही उच्च समर्थन और विश्वास मूल्य हों, क्योंकि नियम द्वारा परिभाषित संबंध काफी स्पष्ट लग सकता है।
दूसरी ओर, नियम {डायपर्स}→{बीयर} दिलचस्प है क्योंकि संबंध अप्रत्याशित है और खुदरा विक्रेताओं के लिए एक नई क्रॉस-सेलिंग घटना का सुझाव दे सकता है। पैटर्न खोज कार्य में व्यक्तिपरक ज्ञान को शामिल करना एक जटिल कार्य है क्योंकि इसमें डोमेन विशेषज्ञों से काफी मात्रा में पिछले डेटा की आवश्यकता होती है।
पक्षपाती ज्ञान को पैटर्न खोज कार्य में शामिल करने के लिए कई दृष्टिकोण निम्नलिखित हैं:
विज़ुअलाइज़ेशन - इस दृष्टिकोण में मानव उपयोगकर्ता को लूप में बनाए रखने के लिए एक उपयोगकर्ता-अनुकूल वातावरण की आवश्यकता होती है। यह डोमेन विशेषज्ञों को खोजे गए पैटर्न को निष्पादित और परीक्षण करके डेटा माइनिंग सिस्टम के साथ जुड़ने में सक्षम बनाता है।
टेम्पलेट-आधारित दृष्टिकोण - यह दृष्टिकोण उपयोगकर्ताओं को माइनिंग एल्गोरिदम द्वारा कॉपी किए गए पैटर्न के प्रकार को बाधित करने में सक्षम बनाता है। निकाले गए सभी नियमों को प्रलेखित करने के बजाय, केवल वे नियम जो उपयोगकर्ता-निर्दिष्ट टेम्पलेट की आवश्यकता होती है, उपयोगकर्ताओं को वापस किए जाते हैं।
व्यक्तिपरक दिलचस्पी माप - एक व्यक्तिपरक माप को डोमेन डेटा जैसे कॉन्सेप्ट हायरार्की या तत्वों की लाभ सीमा के आधार पर दर्शाया जा सकता है। माप का उपयोग उन पैटर्न को फ़िल्टर करने के लिए किया जा सकता है जो सुलभ और गैर-कार्रवाई योग्य हैं।
