ความหมาย
กระบวนการทำเหมืองข้อมูลสามารถค้นพบกฎพันกว่าจากชุดข้อมูลที่กำหนด ส่วนใหญ่กลายเป็นอิสระหรือน่าเบื่อต่อผู้ใช้ ผู้ใช้มีความรู้สึกที่ดีกว่าเกี่ยวกับ "ทิศทาง" (direction) ของการทำเหมืองที่จะนำไปสู่รูปแบบที่น่าสนใจ และ "รูปแบบ" (form) ของรูปแบบหรือกฎที่พวกเขาชอบจะค้นพบ
ดังนั้น ฮิวริสติกที่ดีคือ ให้ผู้ใช้กำหนด直觉 (intuition) หรือความคาดหวังแบบนั้นเป็นข้อจำกัด (constraints) เพื่อจำกัดพื้นที่ค้นหา (search space) กลยุทธ์นี้เรียกว่า Constraint-based Mining (การทำเหมืองแบบมีข้อจำกัด)
ลักษณะการทำงาน
Constraint-based algorithms ต้องการข้อจำกัดเพื่อลดพื้นที่ค้นหาในขั้นตอนการสร้าง frequent itemset (ขั้นตอนการสร้างกฎความสัมพันธ์ตรงไปตรงมาเหมือนกับ exhaustive algorithms) ข้อจำกัดทั่วไปคือเกณฑ์ support ขั้นต่ำ (minimum support threshold) หากข้อจำกัดไม่ถูกควบคุม การรวมมันในขั้นตอนการทำเหมืองสามารถช่วยลดพื้นที่สำรวจ (exploration space) อย่างมีนัยสำคัญ เนื่องจากนิยามขอบเขตภายในโครงสร้างกริดค้นหา (search space lattice) ซึ่งการสำรวจต่อจากนั้นไม่จำเป็น
ความสำคัญของข้อจำกัดชัดเจน – พวกเขาสร้างกฎความสัมพันธ์ที่น่าสนใจต่อผู้ใช้เท่านั้น วิธีการค่อนข้างง่าย และพื้นที่กฎ (rules space) ลดลง โดยวิธีการที่เหลือผ่านข้อจำกัด
Constraint-based clustering ค้นพบคลัสเตอร์ที่ตอบสนองความชอบหรือข้อจำกัดที่ผู้ใช้กำหนด ขึ้นอยู่กับลักษณะของข้อจำกัด constraint-based clustering สามารถนำวิธีการที่แตกต่างกันไปใช้ได้
ประเภทของข้อจำกัด
Knowledge type constraints (ข้อจำกัดประเภทความรู้) – นิยามประเภทความรู้ที่จะทำเหมือง เช่น association หรือ correlation
Data constraints (ข้อจำกัดข้อมูล) – นิยามชุดข้อมูลที่เกี่ยวข้องกับงาน เช่น Dimension/level constraints – นิยามมิติ (หรือแอตทริบิวต์) ที่ต้องการของข้อมูล หรือระดับของลำดับชั้นแนวคิด (concept hierarchies) ที่จะใช้ในการทำเหมือง
Interestingness constraints (ข้อจำกัดความน่าสนใจ) – นิยามเกณฑ์ (thresholds) บนขนาดทางตัวเลขของความน่าสนใจของกฎ รวมถึง support, confidence, และ correlation
Rule constraints (ข้อจำกัดกฎ) – นิยามรูปแบบของกฎที่จะทำเหมือง ข้อจำกัดเช่นนี้สามารถนิยามเป็น metarules (rule templates), จำนวน predicate สูงสุดหรือต่ำสุดที่สามารถปรากฏใน antecedent หรือ consequent ของกฎ หรือเป็นความสัมพันธ์ระหว่างแอตทริบิวต์, ค่าแอตทริบิวต์, และ/หรือ aggregates
ข้อจำกัดต่อไปนี้สามารถอธิบายได้โดยใช้ภาษาคิวรี่การทำเหมืองข้อมูลระดับสูง (high-level declarative data mining query language) และอินเทอร์เฟซผู้ใช้ รูปแบบการทำเหมืองแบบมีข้อจำกัดนี้ช่วยให้ผู้ใช้ระบุกฎที่พวกเขาต้องการค้นพบ ทำให้กระบวนการทำเหมืองข้อมูลมีประสิทธิภาพมากขึ้น
นอกจากนี้ Query optimizer การทำเหมืองข้อมูลที่ซับซ้อน (sophisticated mining query optimizer) สามารถใช้เพื่อ exploit ข้อจำกัดที่ผู้ใช้กำหนด ดังนั้นทำให้กระบวนการทำเหมืองมีประสิทธิภาพมากขึ้น Constraint-based mining ส่งเสริมการทำเหมืองและการวิเคราะห์เชิงสำรวจแบบโต้ตอบ (interactive exploratory mining and analysis)
