决策树算法：决策树算法是分类和预测的常用技术之一，可用于深入分析分类问题，使用时，决策树能够利用预测理论对多个变量中进行分析，从而预测处任一变量的发展趋势和变化关系;除此以外，还能对变量发展趋势进行双向预测，既能进行正向预测，也能进行反向预测，因此具有方便灵活的优势。

神经网络算法：神经网络是将计算机技术与现代神经生物学结合的产物，该技术是通过模拟人脑信息处理机制，对数值数据进行处理，并在处理过程中表现出一种思维、学习和记忆能力。

统计学习：统计学习是一种预测方法，该法是对数据进行深入分析，找出不能通过的规律，然后对所发现的规律进一步研究和分析，并结合实际情况对数据发展趋势进行预测。由此可见，统计学习能对人类无法确认的事务进行预测，这对了解进一步了解世界，探索未知事物具有重要意义。

聚类分析法：聚类分析作为一种非参数分析方法，可对样本分组中多为数据点间的差异及关联进行分析，使用该法时，无需对数据进行总体假设，也不需要受数理依据等原则的限制，只需要通过数据搜集、数据转换两个步骤，就能完成聚类分析的全过程。聚类分析能对数据的分布情况进行分析，还能对数据分布的局势进行快捷分析，准确识别出密集和系数区域;另外，聚类分析对单类的数据同样具有超强的分析能力，可对每个类的数据进行深入分析，发现其特征，找出变量和类之间的内在关联性。基于聚类分析原理基础上的方法很多，如层次法、密度分析法和网络法就是最常用的聚类分析方法。

关联规则法：关联规则的主要优势是能对数据与数据之间的依赖关系进行准确描述，该技术能对给定事物数据库进行深入分析，寻找各数据和项目之间的内在联系，然后将所有符合支持度和置信度的，符合一定标准的关联规则进行罗列。关联规则算法的典型代表是FP-Tree算法，经过实验证明，该算法在处理数据关系方面具有十分强大的优势。