La minería de patrones es una herramienta valiosa para el análisis exploratorio de datos, pero identificar patrones relevantes para un usuario específico es desafiante. Diversas medidas de interés se han desarrollado para evaluar patrones, pero pueden no estimar eficientemente funciones específicas del usuario. Aprender funciones específicas del usuario mediante la clasificación de patrones ha sido propuesto, pero esto requiere un tiempo significativo y muestras de entrenamiento. En este documento, presentamos una solución que formula el problema de aprender funciones de clasificación de patrones como un problema de toma de decisiones multicriterio. Nuestro enfoque utiliza un proceso de jerarquía analítica (AHP) para obtener pesos para diferentes medidas de interés basadas en las preferencias del usuario. También proponemos un modo de aprendizaje activo con una heurística basada en la sensibilidad para minimizar las consultas de clasificación del usuario y al mismo tiempo proporcionar resultados de alta calidad. Los experimentos muestran que nuestro enfoque reduce significativamente el tiempo de ejecución y devuelve una clasificación precisa de patrones siendo robusto a los errores del usuario, en comparación con enfoques de vanguardia.