
یک سیستم دادهکاوی توانایی تولید هزاران و بلکه میلیونها الگو و یا قانون را دارد.
شاید این سوال پیش آید که "آیا همه این الگوها جذاب هستند؟" به صورت معمول جواب این سوال نه است. در عمل تنها تعداد کمی از این الگوهای تولید شده برای کاربر جذاب هستند و میتوانند مورد استفاده قرار گیرند.
این موضوع سوالات حساسی را برای دادهکاوی تولید میکند. "چه چیزی الگوها را جذاب میکند؟" آیا یک سیستم دادهکاوی میتواند همه الگوهایی را که تولید میکند جذاب باشد؟ یک سیستم دادهکاوی وجود دارد که تنها الگوهای جذاب تولید کند؟"
پاسخ به سوال اول باید یک الگوی جذاب را تعریف نمود. الگویی جذاب است که:
1- به راحتی توسط انسانها درک شود.
2- برای مجموعه دادههای جدید و یا آزمایش با درجه اطمینان بالایی معتبر باشد.
3- پتانسیل کاربرد را داشته باشد.
4- بدیع و جدید باشد.
همچنین الگویی جذاب است که فرض کاربر را تایید کند. یک الگوی جذاب نشان دهنده دانش است. چندین سنجه عینی - Objective - برای شناسایی الگوهای جذاب وجود دارد. این سنجههای عینی مبتنی بر ساختار الگوهای کشف شده و مفاهیم آماری میباشند. سنجهای که برای قوانین وابسته (X→Y) به کار میرود پشتیبان - Support - است که نشان دهنده درصدی از تراکنشها در پایگاه داده اصلی است که قانون مورد نظر را ارضا میکنند. این سنجه عینی را میتوان به صورت احتمال P(XUY) نیز به کار برد. در این احتمال XUY نشان دهنده تراکنشهایی است که شامل X و Y میباشند. سنجه عینی دیگر قوانین وابسته اطمینان است که درجه قطعیت قانون شناسایی شده را ارزیابی میکند. این سنجه، احتمال شرطی P(Y|X) است. این سنجه احتمال رخدادن تراکنش X به شرط رخداد Y است. به طور کلی پشتیبان و اطمینان را میتوان به صورت زیر نمایش داد.
P(XUY) = (X→Y) اطمینان
P(Y|X) = (X→Y) پشتیبان
هرکدام از سنجههای عینی الگوهای جذاب به وسیله یک حد آستانه تعریف میشوند که توسط کاربر کنترل میشود. برای مثال قانونی که آستانه اطمینان مشخص شده (برای مثال %50) را ارضا نکند، غیر جذاب است. قوانینی که کمتر از حد آستانه هستند، به عنوان اختلال، استثنا و یا موارد اقلیت در نظر گرفته میشوند و ارزش کمتری دارند.
برخی دیگر از این قبیل سنجههای عینی شامل دقت - Accuracy - و پوشش - Coverage - برای قوانین (اگر - آن گاه) دستهبندی است. دقت درصدی از دادهها را که توسط قانون به درستی دستهبندی شدهاند، نمایش میدهد. پوشش نیز مانند پشتیبان است و درصدی از دادهها را که قانون برای آنها به کار برده میشود، نشان میدهد. سنجههای عینی مربوط به درک را نیز میتوان به سادگی با توجه به پیچیدگی و یا طول الگوهای کشف شده و با بیت اندازهگیری نمود.
علاوه بر سنجههای عینی، سنجههای ذهنی - Subjective - نیز برای شناسایی الگوهای جذاب یک مسئله با توجه به خواستهها و نیازهای کاربر لازم میباشند. برای مثال الگوهایی که ویژگیها و خصوصیات مشتریانی را که به صورت معمول از شرکت آلالکترونیکس خرید میکنند در نظر بگیرید. این الگوها برای مدیر بازاریابی شرکت جذاب هستند ولی ممکن است برای سایر افرادی که از این پایگاه داده استفاده کرده و آن را تحلیل میکنند، جذاب نباشند. به علاوه برخی از الگوهایی که به وسیله استانداردهای عینی جذاب هستند، یک موضوع را بیان میکنند و در عمل جذابیت ندارند.
سنجههای ذهنی الگوهای جذاب مبتنی بر عقاید کاربر در مورد دادهها میباشند. این قبیل سنجهها الگویی را جذب میپندارند که غیر قابل انتظار باشد (خلاف عقاید کاربر باشد) یا این که اطلاعات استراتژیکی در مورد کاری که کاربر می تواند انجام دهد به وی دهند. به چنین الگوهایی، الگوهای عملی گفته میشود. برای مثال الگوهایی مانند "یک زلزله بزرگ به صورت معمول بعد از مجموعه زلزلههای کوچک اتفاق میافتد" ممکن است بسیار کاربردی و عملی باشد، زیرا جان افراد بسیاری را حفظ میکند. البته الگوهای قابل انتظار هم ممکن است جذاب باشند. این الگوها در صورتی جذاب هستند که فرضیهای که کاربر قصد اثبات آن را دارد، تایید کنند.
پاسخ سوال دوم (آیا یک سیستم دادهکاوی میتواند همه الگوهایی را که تولید میکند جذاب باشد؟) به کمال الگوریتمهای دادهکاوی بر میگردد. به صورت معمول تولید همه الگوهای ممکن توسط یک سیستم دادهکاوی امری غیرواقعی و غیر اثربخش است. به جای این کار کاربر میتواند از محدودیتها و سنجههای الگوهای جذاب استفاده کند. برای برخی از مسائل دادهکاوی مانند وابستگی، کاملبودن الگوریتم امری ضروری است و به واسطه محدودیتها و سنجههای الگوهای جذاب که توسط کاربر تعیین میشود، کامل بودن تولید میشود. این روش به طور کامل در فصل 6 بحث خواهد شد.
و در انتها پاسخ سوال سوم (یک سیستم دادهکاوی وجود دارد که تنها الگوهای جذاب تولید کند؟)، یک مسئله بهینهسازی در دادهکاوی است. تولید منحصر الگوهای جذاب امری مطلوب برای سیستمهای دادهکاوی است. این موضوع هم برای سیستمهای دادهکاوی و هم کاربر باعث بالا رفتن کارایی می شود، زیرا لازم نیست زمانی برای شناسایی الگوهای جذاب صرف شود. پیشرفتهایی در مورد آن موضوع صورت گرفتهاست ولی همچنان به عنوان موضوعی چالش برانگیز در دادهکاوی باقی مانده است.
سنجش جذابیت الگوها امری ضروری برای شناسایی الگوها توسط کاربر است. سنجههای به کار رفته برای این منظور را میتوان بعد از انجام دادهکاوی و برای رتبهبندی الگوهای شناسایی شده به کار برد الگوهای غیر جذاب را حذف نمود. همچنین از چنین سنجههایی میتوان برای تولید تغییرات در فرآیند شناسایی الگوها و بهبود کارایی جستجوی آنها به وسیله هرسکردن زیر مجموعههای غیر جذاب الگوها که محدودیتهای جذابیت تعریف شده در فضای الگوها را ارضا نمیکنند، نیز استفاده نمود. مثالهایی از چنین محدودیتهایی را میتوان در فصل 7 (با توجه به شناسایی الگوها) و فصل 4 جلد دوم کتاب (با توجه به خوشه بندی) مشاهده نمود.
روشهای سنجش الگوها و استفاده از آنها برای بهبود کارایی دادهکاوی، در کتاب توضیح داده خواهد شد.