挖掘技術(shù)，但是透過在線分析處理工具，使用者能更清楚的了解數(shù)據(jù)所隱藏的潛在意涵。如同一些視覺處理技術(shù)一般，透過圖表或圖形等方式顯現(xiàn)，對(duì)一般人而言，感覺會(huì)更友善。這樣的工具亦能輔助將數(shù)據(jù)轉(zhuǎn)變成信息的目標(biāo)。

8、神經(jīng)網(wǎng)絡(luò)（Neural Networks）

神經(jīng)網(wǎng)絡(luò)是以重復(fù)學(xué)習(xí)的方法，將一串例子交與學(xué)習(xí)，使其歸納出一足以區(qū)分的樣式。若面對(duì)新的例證，神經(jīng)網(wǎng)絡(luò)即可根據(jù)其過去學(xué)習(xí)的成果歸納后，推導(dǎo)出新的結(jié)果，乃屬于機(jī)器學(xué)習(xí)的一種。數(shù)據(jù)挖掘的相關(guān)問題也可采類神經(jīng)學(xué)習(xí)的方式，其學(xué)習(xí)效果十分正確并可做預(yù)測(cè)功能。

9、判別分析（Discriminant Analysis）

當(dāng)所遭遇問題它的因變量為定性（categorical），而自變量（預(yù)測(cè)變量）為定量（metric）時(shí)，判別分析為一非常適當(dāng)之技術(shù)，通常應(yīng)用在解決分類的問題上面。若因變量由兩個(gè)群體所構(gòu)成，稱之為雙群體 —判別分析 （Two-Group Discriminant Analysis）；若由多個(gè)群體構(gòu)成，則稱之為多元判別分析（Multiple Discriminant Analysis；MDA）。
    （1） 找出預(yù)測(cè)變量的線性組合，使組間變異相對(duì)于組內(nèi)變異的比值為最大，而每一個(gè)線性組合與先前已經(jīng)獲得的線性組合均不相關(guān)。
    （2） 檢定各組的重心是否有差異。
    （3） 找出哪些預(yù)測(cè)變量具有最大的區(qū)別能力。
    （4） 根據(jù)新受試者的預(yù)測(cè)變量數(shù)值，將該受試者指派到某一群體。

10、羅吉斯回歸分析（Logistic Analysis）

當(dāng)判別分析中群體不符合正態(tài)分布假設(shè)時(shí)，羅吉斯回歸分析是一個(gè)很好的替代方法。羅吉斯回歸分析并非預(yù)測(cè)事件（event）是否發(fā)生，而是預(yù)測(cè)該事件的機(jī)率。它將自變量與因變量的關(guān)系假定是S行的形狀，當(dāng)自變量很小時(shí)，機(jī)率值接近為零；當(dāng)自變量值慢慢增加時(shí)，機(jī)率值沿著曲線增加，增加到一定程度時(shí)，曲線協(xié)率開始減小，故機(jī)率值介于0與1之間。