1、神经网络方法：神经网络非常适合解决数据挖掘的问题，是由于其具有良好的健壮性、自组织自适应性、并行处理、分布存储和高度容错等特性，因此近年来越来越受到人们的关注。

2、遗传算法：遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法，是一种仿生全局优化方法。遗传算法应用于数据挖掘是因为其具有的隐含并行性、易于和其他模型结合等特性。

3、决策树方法：决策树是一种常用于预测模型的算法，它通过对大量数据进行有目的的分类，从中找到一些有价值的、潜在的信息。它的主要优点是描述简单、分类速度快，因此特别适合大规模的数据处理应用。

4、粗集方法：粗集理论是一种研究不精确、不确定知识的数学工具。粗集方法具有不需要给出额外信息、简化输入信息的表达空间、算法简单和易于操作的优点。粗集处理的对象是类似二维关系表的信息表。

5、覆盖正例排斥反例方法：覆盖正例排斥反例方法利用覆盖所有正例、排斥所有反例的逻辑来寻找潜在规则。

6、统计分析方法：统计分析方法是指对数据库字段进行函数关系或相关关系的分析，即利用统计学原理对数据库中的信息进行分析。常用统计分析方法包括回归分析、相关分析、差异分析等。

7、模糊集方法：模糊集方法即利用模糊集合理论对实际问题进行模糊评判、模糊决策、模糊模式识别和模糊聚类分析。系统的复杂性越高、模糊性越强，一般模糊集合理论是用隶属度来刻画模糊事物的亦此亦彼性的。

8、回归分析：回归分析分为线性回归、多元回归和非线性同归。在线性回归中，数据用直线建模，多元回归是线性回归的扩展，涉及多个预测变量。非线性回归是在基本线性模型上添加多项式项形成非线性同门模型。