खनन पद्धति के विभिन्न पहलू हैं जो इस प्रकार हैं -
विभिन्न और नए प्रकार के ज्ञान का खनन - डेटा माइनिंग डेटा विश्लेषण और ज्ञान खोज सेवाओं के एक व्यापक स्पेक्ट्रम को कवर करती है, डेटा लक्षण वर्णन और भेदभाव से लेकर संबंध और सहसंबंध विश्लेषण, वर्गीकरण, प्रतिगमन, क्लस्टरिंग, बाहरी मान विधियां, अनुक्रम विधियां, और प्रवृत्ति और कम्प्यूटेशनल विश्लेषण तक।
ये सेवाएं एक ही डेटाबेस का कई तरीकों से उपयोग कर सकती हैं और कई डेटा माइनिंग तकनीकों के विकास की आवश्यकता होती है। अनुप्रयोगों की विविधता के कारण, नई खनन सेवाएं उभरती रहती हैं, जिससे डेटा माइनिंग एक शक्तिशाली और तेजी से बढ़ता क्षेत्र बन जाता है।
उदाहरण के लिए, डेटा नेटवर्क में प्रभावी ज्ञान खोज के लिए, एकीकृत क्लस्टरिंग और रैंकिंग उच्च नेटवर्क में उच्च-गुणवत्ता वाले क्लस्टर्स और ऑब्जेक्ट रैंक की खोज का नेतृत्व कर सकते हैं।
बहुआयामी स्थान में ज्ञान खनन - बड़े डेटा सेट्स में ज्ञान की जांच करते समय, यह जानकारी का बहुआयामी स्थान में विश्लेषण कर सकता है। यह कई अमूर्तता स्तरों पर आयामों (विशेषताओं) के सेट्स के बीच दिलचस्प पैटर्न खोज सकता है। ऐसा खनन खोजपूर्ण बहुआयामी डेटा माइनिंग कहलाता है।
कई मामलों में, डेटा को एकत्रित या बहुआयामी डेटा क्यूब के रूप में माना जा सकता है। क्यूब स्थान में ज्ञान खनन डेटा माइनिंग की शक्ति और अनुकूलनशीलता को बढ़ा सकता है।
डेटा माइनिंग - एक अंतःविषय प्रयास - डेटा माइनिंग की शक्ति को कई विषयों से नई तकनीकों को एकीकृत करके सुधारा जा सकता है। उदाहरण के लिए, प्राकृतिक भाषा पाठ के साथ रिकॉर्ड माइन करने के लिए, डेटा माइनिंग दृष्टिकोण को सूचना पुनर्प्राप्ति और प्राकृतिक भाषा प्रसंस्करण की विधियों के साथ फ्यूज करना समझ में आता है।
नेटवर्क वातावरण में खोज की शक्ति बढ़ाना - कुछ डेटा ऑब्जेक्ट्स एक जुड़े या परस्पर जुड़े वातावरण में रहते हैं, चाहे वह वेब हो, डेटाबेस एसोसिएशन, फाइलें, या रिकॉर्ड। कई डेटा ऑब्जेक्ट्स के बीच अर्थपूर्ण संबंध डेटा माइनिंग में लाभ उठाने के लिए उपयोग किए जा सकते हैं। एक सेट ऑब्जेक्ट्स में बदला गया ज्ञान "संबंधित" या अर्थपूर्ण रूप से जुड़े ऑब्जेक्ट्स के समूह में ज्ञान की खोज बढ़ाने के लिए उपयोग किया जा सकता है।
अनिश्चितता, शोर, या डेटा की अधूरीता को संभालना - डेटा में शोर, त्रुटियां, अपवाद, या अस्पष्टता शामिल हो सकते हैं, या अधूरे हो सकते हैं। त्रुटियां और शोर डेटा माइनिंग चरण को भ्रमित कर सकते हैं, जिससे गलत डिजाइन प्राप्त हो सकते हैं। डेटा सफाई, डेटा पूर्वप्रसंस्करण, बाहरी मान पहचान और हटाने, और अस्पष्टता तर्क उन विधियों के उदाहरण हैं जिन्हें डेटा माइनिंग प्रक्रिया के साथ एकीकृत करने की आवश्यकता है।
पैटर्न मूल्यांकन और पैटर्न-या बाधा-निर्देशित खनन - डेटा माइनिंग प्रक्रियाओं द्वारा उत्पादित सभी पैटर्न दिलचस्प नहीं हैं। एक पैटर्न को दिलचस्प क्या बनाता है यह उपयोगकर्ता से उपयोगकर्ता में भिन्न हो सकता है। इसलिए, व्यक्तिपरक उपायों के आधार पर खोजे गए पैटर्न की दिलचस्पी का आकलन करने के लिए तकनीकों की आवश्यकता होती है।
ये दिए गए उपयोगकर्ता वर्ग के संबंध में पैटर्न के मूल्य की गणना करते हैं, उपयोगकर्ता विश्वासों या अपेक्षाओं पर निर्भर करते हैं। इसके अलावा, दिलचस्पी उपायों या उपयोगकर्ता-परिभाषित बाधाओं का उपयोग करके खोज प्रक्रिया को निर्देशित करके, यह अधिक दिलचस्प पैटर्न बना सकता है और खोज स्थान को कम कर सकता है।
