挖掘技術，但是透過在線分析處理工具，使用者能更清楚的了解數據所隱藏的潛在意涵。如同一些視覺處理技術一般，透過圖表或圖形等方式顯現，對一般人而言，感覺會更友善。這樣的工具亦能輔助將數據轉變成信息的目標。

8、神經網絡（Neural Networks）

神經網絡是以重復學習的方法，將一串例子交與學習，使其歸納出一足以區分的樣式。若面對新的例證，神經網絡即可根據其過去學習的成果歸納后，推導出新的結果，乃屬于機器學習的一種。數據挖掘的相關問題也可采類神經學習的方式，其學習效果十分正確并可做預測功能。

9、判別分析（Discriminant Analysis）

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

10、羅吉斯回歸分析（Logistic Analysis）

當判別分析中群體不符合正態分布假設時，羅吉斯回歸分析是一個很好的替代方法。羅吉斯回歸分析并非預測事件（event）是否發生，而是預測該事件的機率。它將自變量與因變量的關系假定是S行的形狀，當自變量很小時，機率值接近為零；當自變量值慢慢增加時，機率值沿著曲線增加，增加到一定程度時，曲線協率開始減小，故機率值介于0與1之間。