(1) Método de árbol de decisión: los conjuntos de decisiones están representados por estructuras de árbol, y estos conjuntos de decisiones generan reglas al clasificar conjuntos de datos. El método de árbol de decisión más antiguo y más influyente del mundo es el método ID3, y posteriormente se desarrollaron otros métodos de árbol de decisión.
(2) Método de inducción de reglas: extraiga reglas valiosas si-entonces mediante inducción estadística. La tecnología de inducción de reglas se usa ampliamente en la minería de datos, entre las cuales la investigación sobre la minería de reglas de asociación es más activa y profunda.
(3) Método de red neuronal: simule estructuralmente redes neuronales biológicas y establezca tres modelos de red neuronal: red de alimentación directa, red de retroalimentación y red autoorganizada basada en el modelo y las reglas de aprendizaje. Este método puede aprender modelos de predicción no lineales a través del entrenamiento y puede completar diversas tareas de minería de datos, como clasificación, agrupación y minería de características.
(4) Algoritmo genético: Algoritmo que simula el proceso de evolución biológica, compuesto por tres operadores básicos: reproducción (selección), cruce (recombinación) y mutación (mutación). Para aplicar algoritmos genéticos, la tarea de minería de datos debe expresarse como un problema de búsqueda para aprovechar al máximo las capacidades de búsqueda de optimización de los algoritmos genéticos.
(5) Método de conjuntos aproximados: la teoría de conjuntos aproximados es una nueva herramienta matemática para abordar problemas difusos e imprecisos propuesta por el matemático polaco Pawlak a principios de los años 1980. Es particularmente adecuado para la simplificación de datos, el descubrimiento de correlación de datos, el descubrimiento de significado de datos, el descubrimiento de similitudes o diferencias de datos, el descubrimiento de patrones de datos y la clasificación aproximada de datos, etc. En los últimos años, se ha aplicado con éxito en los campos de investigación de la minería de datos y el descubrimiento de conocimientos.
(6)Tecnología de vecino más cercano K2: Esta tecnología identifica nuevos registros mediante la combinación de K registros históricos recientes. Esta técnica se puede utilizar para tareas de minería como agrupación y análisis de sesgo.
(7)Tecnología de visualización: los patrones de información, las asociaciones de datos o las tendencias se presentan de forma gráfica intuitiva. Los tomadores de decisiones pueden analizar de forma interactiva las relaciones de los datos a través de la tecnología de visualización. La tecnología de análisis de datos visuales amplía las funciones de gráficos tradicionales y permite a los usuarios analizar datos con mayor claridad.