（一）关联规则
关联规则用于发现两个或者多个行为之间存在的某种规律性关联。根据需求的不同，关联规则可以发现数据库中海量数据之间的关联网。在数据挖掘的过程中，关联规则的使用分为两个步骤：第一步是生成频繁项集，目的是找出所有符合最小支持度的项集合，即频繁项集；第二步是生成规则。在前一步频繁项集的基础上，进而产生合适最小可信度的规则。在数据挖掘时使用关联规则，大量的时间会耗费在频繁项集上。因此，我们只有不断优化生成的频繁项集，才能够获得更好的数据挖掘效果。
（二）基于历史的分析
人类在不断失败中得到知识的总结就是经验。基于历史的分析的本质是根据经验寻找相似的信息，并将它们用于目前的项目。在数据库中选择和目前信息相似的数据，然后使用它们分析和评估目前的信息。使用基于历史的分析主要有如何寻找准确的历史数据；如何确定函数和选取历史数据的数量[3]。
（三）差别分析
发现数据中的异常信息，比如噪音数据、欺诈数据等，我们可以使用差别分析。当然，这些异常数据也是有益的。
（四）遗传算法
基于生命进化理论，并结合“物竞天择，适者生存”的原则对技术进行优化，遗产算法根据合适的规则组成最佳群体，是基于模拟基因联合、突变、自然进化理论和选择过程的不断迭代搜索特征的过程[4]。评估样本分类的准确率是遗传算法最典型的应用。
（五）神经网络(www.xing528.com)
输入层、隐含层和输出层是神经网络的典型结构。需要预测的变量作为输入，经过升维和降维对输入的变量进行处理，从而保证输入维度的一致性。在隐含层进行数据处理，处理过程相当于黑盒原理，对外部是不可见的，神经网络的复杂度是由隐含层包括的层数和每层的节点数量决定的。隐含层的参数可根据输入的变量进行优化调整，特别是权重W和偏执b的选择，以便结果达到最优[5]。
（六）决策树
决策树向用户提供在特定条件下可以得到特定值的规则方法。决策树是映射值—属性的预测模型。
（七）粗糙集和模糊集
粗糙集是针对数据类进行粗略定义的理论。在现实生活中，很多类别的事物并不是按照属性进行区分的，粗糙集就是用来对属性模糊的事物进行分类而建立的。模糊集是一种模糊逻辑的方法，利用抽象的方法定义“模糊”阈值和边界进行类的判定。
（八）聚集检测
聚类是将类似对象抽象化进行分组的过程，分组后的数据对象称为簇，这些对象彼此间具有属性的相似性，与其他簇中的对象具有明显差异，在空间上利用度量的方式进行区分，相似性大的距离近，相似性小的距离远。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
