作為壹種處理數據的新技術，數據挖掘有許多新的特點。首先，數據挖掘面對的是海量的數據，這也是數據挖掘的原因。其次，數據可能是不完整的、有噪聲的、隨機的，數據結構復雜，維度大。最後，數據挖掘是許多學科的交叉，利用了統計學、計算機、數學等學科的技術。以下是常見且廣泛使用的算法和模型:
傳統統計方法:①抽樣技術:我們面對的是大量的數據，不可能也沒有必要對所有的數據進行分析，所以要在理論的指導下進行合理的抽樣。②多元統計分析:因子分析、聚類分析等。③統計預測方法，如回歸分析、時間序列分析等。
可視化技術:利用圖表等方式直觀地表達數據特征，如直方圖等。，它使用許多方法來描述統計數據。可視化技術面臨的壹個難題是高維數據的可視化。
決策樹:利用壹系列規則建立樹形圖，可用於分類和預測。常用的算法有CART，CHAID，ID3，C4.5，C5.0等。
神經網絡:模擬人類神經元的功能，通過輸入層、隱含層、輸出層對數據進行調整和計算，最終得到結果進行分類和回歸。
遺傳算法:基於自然進化理論，模擬基因組合、變異和選擇過程的優化技術。
關聯規則的挖掘算法:關聯規則是以“a 1∧A2∧…an→b 1∧B2∧…BN”的形式描述數據之間關系的規則。壹般分為兩步:①尋找大數據集。②利用大數據集生成關聯規則。
除了上述常用方法外，還有粗糙集方法、模糊集方法、貝葉斯信念網、k近鄰方法(KNN)等。
數據挖掘的實施過程
前面我們討論了數據挖掘的定義、功能和方法。現在的關鍵問題是如何實施。壹般的數據挖掘過程如下:
了解並提出問題→資料準備→資料整理→建模→評價與解釋。
問題理解和提出:在開始數據挖掘之前，最基本的是了解數據和實際的業務問題，並在此基礎上提出問題，對目標有壹個清晰的定義。
數據準備:獲取原始數據，從中提取壹定數量的子集，建立數據挖掘庫。其中壹個問題是，如果企業原有的數據倉庫符合數據挖掘的要求，可以作為數據挖掘庫。
數據整理:由於數據可能是不完整的、有噪聲的、隨機的，並且具有復雜的數據挖掘結構，所以需要對數據進行初步的整理，清洗不完整的數據，進行初步的描述和分析，選擇與數據挖掘相關的變量，或者改變變量。
建模:根據數據挖掘的目標和數據的特點，選擇合適的模型。
評價與解釋:對數據挖掘的結果進行評價，選擇最佳模型，做出評價，應用於實際問題，結合專業知識對結果進行解釋。
上述過程不是壹次完成的，壹些或所有步驟可能會重復。