มีเกณฑ์หลายอย่างของ Frequent Pattern Mining ดังนี้:
1. ตาม Completeness ของ Patterns ที่จะขุด (Based on Completeness of Patterns to be Mined)
สามารถขุด Whole Set ของ Frequent Itemsets, Closed Frequent Itemsets, และ Maximal Frequent Itemsets ได้ โดยมี Minimum Support Threshold
ยังสามารถแยก Constrained Frequent Itemsets (Satisfy User-defined Constraints), Approximate Frequent Itemsets (ให้ Approximate Support Counts), Near-match Frequent Itemsets (นับ Support Count ของ Relatively Matching Itemsets), Top-k Frequent Itemsets (k Most Frequent Itemsets สำหรับ User-specified k) ฯลฯ
หลาย Applications อาจมี Requirements ต่างๆ เกี่ยวกับ Integrity ของ Patterns ที่จะขุด ซึ่งนำไปสู่ Computations และ Optimization Approaches ที่ต่างกัน
2. ตาม Levels of Abstraction ใน Rule Set (Based on Levels of Abstraction in Rule Set)
มีหลาย Methods สำหรับ Association Rule Mining ที่ค้นพบ Rules ที่หลาย Levels of Abstraction ตัวอย่าง พิจารณาชุด Association Rules ที่ขุดได้ เกี่ยวข้องกับ Rules ต่อไปนี้ โดย X คือ Variable ที่กำหนด Customer:
buys(X, "computer") → buys(X, "HP printer")
buys(X, "laptop computer") → buys(X, "HP printer")
3. ตาม Number of Data Dimensions ใน Rule (Based on Number of Data Dimensions in Rule)
หาก Items หรือ Attributes ใน Association Rule อ้างอิงเพียงหนึ่ง Dimension ดังนั้นเป็น Single-dimensional Association Rule
4. ตาม Types of Values ใน Rule (Based on Types of Values Handled in Rule)
หาก Rule มี Associations ระหว่าง Existence และ Absence ของ Items เป็น Boolean Association Rule หาก Rule นิยาม Associations ระหว่าง Quantitative Items หรือ Attributes ดังนั้นเป็น Quantitative Association Rule ในกฎเหล่านี้ Quantitative Values สำหรับ Items หรือ Attributes ถูกแยกเป็น Intervals
5. ตาม Kinds of Rules ที่จะขุด (Based on Kinds of Rules to be Mined)
Frequent Pattern Analysis สามารถสร้างหลาย Kinds ของ Rules และ Interesting Relationships ที่ต่างกัน Association Rules เป็น Kind ที่มีชื่อเสียงของ Rules ที่สร้างจาก Frequent Patterns
6. ตาม Kinds of Patterns ที่จะขุด (Based on Kinds of Patterns to be Mined)
หลาย Kinds ของ Frequent Patterns สามารถขุดจากหลาย Kinds ของ Data Sets เป้าหมายหลักคือ Frequent Itemset Mining นั่นคือ Mining ของ Frequent Itemsets (Sets of Items) จาก Transactional หรือ Relational Data Sets
Sequential Pattern Mining ค้นหา Frequent Subsequences ใน Sequence Data Set โดยที่ Sequence Data เป็น Ordering ของ Events ตัวอย่าง ด้วย Sequential Pattern Mining สามารถศึกษาลำดับที่ Items มักถูกซื้อ ตัวอย่าง ผู้ใช้มักซื้อ PC ก่อน ตามด้วย Digital Camera และแล้ว Memory Card
