解析：数据挖掘是一类深层次的数据分析。常见和应用最广泛的数据挖掘方法如下。(1)决策树决策树方法是指利用信息论中的互信息(信息增益)寻找数据库中具有最大信息量的属性字段，建立决策树的一个结点，再根据该属性字段的不同取值建立树的分支；在每个分支子集中重复建立树的下层结点和分支的过程。国际上最早的、也是最有影响的决策树方法是Quiulan研究的ID3方法。(2)神经网络神经网络方法是指模拟人脑神经元结构，完成类似统计学中的判别、回归、聚类等功能，神经网络是一种非线性的模型，主要有三种神经网络模型：前馈式网络、反馈式网络和自组织网络。人工神经网络最大的长处是可以自动地从数据中学习，形成知识，这些知识有些是我们过去未曾发现的，因此它具有较强的创新性。神经网络的知识体现在网络连接的权值上，神经网络的学习主要表现在神经网络权值的逐步计算上。(3)遗传算法遗传算法是模拟生物进化过程的算法，它由三个基本过程组成：繁殖(选择)、交叉(重组)、变异(突变)。采用遗传算法可以产生优良的后代，经过若干代的遗传，将得到满足要求的后代，即问题得解。(4)关联规则挖掘算法关联规则是描述数据之间存在关系的规则，形式为“A1A2…An…B1B2…Bn”。一般分为两个步骤：求出大数据项集；用大数据项集产生关联规则。除了上述的常用方法外，还有粗集方法、模糊集合方法、BayesianBeliefNetords、最邻近算法(k-nearestneighborsmethod(kNN))等。无论采用哪种技术完成数据挖掘，从功能上可以将数据挖掘的分析方法划分为四种，即关联分析(Associations)、序列模式分析(SequentialPatterns)、分类分析(Classifiers)和聚类分析(Clustering)。(1)关联分析关联分析的目的是为了挖掘出隐藏在数据间的相互关系。若设R={A1，A2，…，AP}为{0，1}域上的属性集，r为R上的一个关系，关于r的关联规则表示为X→B，其中X∈R，B∈R，且X∩B=f。关联规则的矩阵形式为：矩阵r中，如果在行X的每一列为1，则行B中各列趋向于为1。在进行关联分析的同时还需要计算两个参数，最小置信度(Confidence)和最小支持度(Support)。前者用以过滤掉可能性过小的规则，后者则用来表示这种规则发生的概率，即可信度。(2)序列模式分析序列模式分析的目的也是为了挖掘出数据之间的联系，但它的侧重点在于分析数据间的前后关系(因果关系)。例如，将序列模式分析运用于商业，经过分析，商家可以根据分析结果发现客户潜在的购物模式，发现顾客在购买一种商品的同时经常购买另一种商品的可能性。在进行序列模式分析时也应计算置信度和支持度。(3)分类分析分类分析时首先为每一个记录赋予一个标记(一组具有不同特征的类别)，即按标记分类记录，然后检查这些标定的记录，描述出这些记录的特征。这些描述可能是显式的，如一组规则定义；也可能是隐式的，如一个数学模型或公式。(4)聚类分析聚类分析法是分类分析法的逆过程，它的输入集是一组未标定的记录，即输入的记录没有做任何处理。目的是根据一定的规则，合理地划分记录集合，并用显式或隐式的方法描述不同的类别。在实际应用的数据挖掘系统中，上述四种分析方法有着不同的适用范围，因此经常被综合运用。