1、数据挖掘技术主要有决策树 、神经网络 、回归 、关联规则 、聚类 、贝叶斯分类6中。决策树技术。决策树是一种非常成熟的、普遍采用的数据挖掘技术。
2、数据挖掘涉及的科学领域和技术很多，如统计技术。统计技术对数据集进行挖掘的主要思想是：统计的方法对给定的数据集合假设了一个分布或者概率模型(例如一个正态分布)然后根据模型采用相应的方法来进行挖掘。
3、主要包括数据清洗，预处理，错值纠正，缺失值填补。连续值离散化，去掉异常值，以及数据归一化的过程。同时需要根据准备采用的挖掘工具准备恰当的数据格式。
4、具体而言，数据的清理和准备工作包含了：数据建模，转换，迁移，集成和聚合等各种元素。这是理解数据基本特征和属性，进而确定其最佳用途的必要步骤。分类 基于分类的数据挖掘技术，主要涉及到分析各种类型数据之间的关联属性。
1、数据挖掘对象 数据的类型可以是结构化的、半结构化的，甚至是异构型的。发现知识的方法可以是数学的、非数学的，也可以是归纳的。最终被发现了的知识可以用于信息管理、查询优化、决策支持及数据自身的维护等。
2、运用基于计算机的方法，包括新技术，从而在数据中获得有用知识的整个过程，就叫做数据挖掘。数据挖掘怎么样，严格地说，数据挖掘并不是一个全新的领域，它颇有点“新瓶装旧酒”的意味。
3、不然，挖掘的结果会差强人意。(5)数据变换：通过平滑聚集，数据概化，规范化等方式将数据转换成适用于数据挖掘的形式。对于有些实数型数据，通过概念分层和数据的离散化来转换数据也是重要的。
4、Mining-DM)是从存放在数据库、数据仓库、或其它信息库中的大量数据中挖掘有趣知识的过程川。
5、评价模型 模型建立好之后，必须评价得到的结果、解释模型的价值。从测试集中得到的准确率只对用于建立模型的数据有意义。在实际应用中，需要进一步了解错误的类型和由此带来的相关费用的多少。
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据集中识别有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程。
数据挖掘的作用体现在数据挖掘的定义上，作用就是从大量的数据中搜索出隐藏于其中有用的信息。
数据准备：数据准备包括：选择数据–在大型数据库和数据仓库目标中 提取数据挖掘的目标数据集；数据预处理–进行数据再加工，包括检查数据的完整性及数据的一致性、去噪声，填补丢失的域，删除无效数据等。
被挖掘出来的信息，能够用于信息管理、查询处理、决策支持、过程控制以及许多其它应用。数据挖掘按其功能划分主要包括以下几类：(1) 分类分类是数据挖掘中应用的最多的方法。
数据挖掘综合了各个学科技术，有很多的功能，当前的主要功能如下：数据总结：继承于数据分析中的统计分析。数据总结目的是对数据进行浓缩，给出它的紧凑描述。传统统计方法如求和值、平均值、方差值等都是有效方法。
1、数据仓库一般体现的是历史数据的真实情况，而数据挖掘是在现有数据的基础上对未来数据进行预测分析。数据挖掘是数据仓库的延伸。都属于数据库相关范畴。
2、数据挖掘就是从大量数据中提取数据的过程。数据仓库是汇集所有相关数据的一个过程。数据挖掘和数据仓库都是商业智能工具集合。数据挖掘是特定的数据收集。
3、(1) 数据仓库为数据挖掘提供了更好的、更广泛的数据源。 (2) 数据仓库为数据挖掘提供了新的支持平台。 (3) 数据仓库为更好地使用数据挖掘这个工具提供了方便。 (4) 数据挖掘为数据仓库提供了更好的决策支持。
4、数据仓库主要是对不完整的、错误的、重复的数据进行清洗，经过清洗的数据就可以在数据仓库的存储层进行存储。
数据挖掘是从大量数据中自动发现模式、关联、趋势和隐藏信息的过程。它是将统计学、机器学习、人工智能和数据库技术相结合的交叉学科领域。数据挖掘旨在通过分析和解释数据来提取有用的知识，并用于预测、决策支持和战略规划。
数据挖掘又译为资料探勘、数据采矿。是一种透过数理模式来分析企业内储存的大量资料，以找出不同的客户或市场划分，分析出消费者喜好和行为的方法，它是数据库知识发现中的一个步骤。
数据挖掘（Data Mining）是指通过大量数据集进行分类的自动化过程，以通过数据分析来识别趋势和模式，建立关系来解决业务问题。