一、association 关联规则挖掘
一个事件与另一个事件之间的一来关系。
关联规则算法：Apriori 算法：首先从事件中寻找所有频繁出现的事件子集，然后再这些频繁事件子集中发现可信度比较搞的规则。
二、聚类：聚类就是将数据对象划分成若干个子类，在同一类中的对象具有较高的相似度，而不同类中的对象差异较大。
聚类算法：划分方法、层次聚类方法
k-Means：把n个数据对象划分成k 个类，使每个类中的数据点到该类中心的距离平方和最小
k-Medoids：
和 聚集、分裂算法
层次方法：（Hierarchical Method ) 这种方法按照数据分层简历簇，形成一颗以簇为节点的树。如果自底向上进行层次聚集，则称为凝聚（Aggalomerative)的 层次聚类； 如果按照自定向下进行层次分解，成为裂法（Divisive）的层次聚类。
视觉聚类算法：
聚类的基本原则：相似率、连续率、闭合率、近邻率和对称率。
三、预测
数据挖掘预测是通过对反映了事物输入与输出之间的关联性的学习，得到预测模型，在利用该模型对未来数据进行预测的过程。
典型的机器学习：决策树方法，人工神经网络、支持向量机、正则化方法。
决策树：ID3 、 C4.5 用信息增益比率作为选择标准；合并连续属性的值；可以处理具有缺少属性值的训练样本；运用不同的剪枝技术来避免决策树的过拟合现象；K次交叉验证等。
剪枝：预剪枝 ：简历规则限制决策树的充分生长。 后剪枝：等决策树生长完毕后剪去不具有一般性的叶子或者分支。
人工神经网络：
支持向量机(Support Vector Machines)：
正则化方法：：Lasso 模型 、 L1/2正则化模型及其迭代阈值算法。
四、序列和时间序列
数据挖掘工具软件的性能测试报告：http://www.datamininglab.com