1.回归分析模型

       回归分析，确定预测属性与其他变量间相互依赖的定量关系。包括：线性回归、非线性回归、Logistic回归、岭回归、主成分回归、偏最小二乘回归等模型。其中，线性回归模型是数据挖掘中最简单的一种模型，适用范围非常广泛。

2.决策树模型

       决策树是用于分类和预测的主要技术之一，决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中推理出以决策树表示的分类规则。构造决策树的目的是找出属性和类别间的关系，用它来预测将来未知类别的记录的类别。它采用自顶向下的递归方式，在决策树的内部节点进行属性的比较，并根据不同属性值判断从该节点向下的分支，在决策树的叶节点得到结论。

3.人工神经网络模型

       人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在这种模型中，大量的节点（称”神经元”）之间相互联接构成网络，即”神经网络”，以达到处理信息的目的。神经网络通常需要进行训练，训练的过程就是网络进行学习的过程。训练改变了网络节点的连接权的值使其具有分类的功能，经过训练的网络就可用于对象的识别。

4.贝叶斯网络

       贝叶斯网络又称信度网络，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。主要是利用Bayes定理来预测一个未知类别的样本属于各个类别的可能性，选择其中可能性最大的一个类别作为该样本的最终类别。

5.支持向量机

       支持向量机（SVM，Support Vector Machine）是一种通过某种非线性映射，把低维的非线性可分转化为高维的线性可分，在高维空间进行线性分析的算法。

6.聚类模型

       常用到的聚类算法：K均值、DBSCAN算法。它可以将数据对象聚成多个类。

7.关联模型

       Apriori算法是关联模型的常用算法。主要是用来发现描述数据对象间强关联特征的模式。建模的过程就是通过用户指定的最小支持度和最小置信度阈值来寻找强关联规则的过程。

8.异常检测

       目标是检测出与大多数对象不同的对象。异常对象也被称为离群点，因为在数据的散布图中，他们远离其他数据对象，异常对象的属性值显著地偏离预期的或常见的属性值。在人类社会、自然界以及数据集领域，大部分事件和对象，都是平凡的。然而，不平常、不平凡往往有着巨大的实际意义，异常检测就是找出这些不平常、不平凡。异常检测技术常被应用于信用卡的欺诈检测、对网络攻击的入侵检测、自然灾害研究、公共卫生医疗