OLAP (On-Line Analitycal Processing) é ferramenta adequada para se visualizarem tendências no tempo de dados que representam informação em diversas dimensões.

O K-means (K-média) é um algoritmo de agrupamento estatístico que permite particionar-se um conjunto de dados em K clusters (grupos) disjuntos. Embora os centros iniciais dos K clusters sejam escolhidos aleatoriamente, eles apresentam bom desempenho.

Agrupamento (clustering) não-supervisionado pode ajudar a se detectarem instâncias de dados atípicas na base de dados.

O suporte da regra é o percentual de casos que levam a determinada regra, em relação ao número de casos da base de dados que possuem as mesmas evidências de entrada na regra.

Algoritmos, como o apriori, para descoberta de regras de associação tendem a descobrir muitas regras. A significância de uma regra pode ser inferida por meio do suporte e da confiança. A confiança da regra corresponde ao percentual de exemplos da base de treinamento que levaram a determinada regra.

Uma regra de associação é uma regra de produção cujo conseqüente pode conter múltiplas condições ou relações entre atributos. Um atributo de saída em uma regra de associação pode ser um atributo de entrada em outra regra.

A acurácia de um classificador, em um conjunto de teste, pode ser sumarizada por uma matriz de confusão, em que os valores nas diagonais representam as classificações corretas.

Algoritmos de árvore de decisão populares como o C4.5 e o CART examinam um atributo por vez, o que conduz a um particionamento dos dados em regiões de classificação retangulares, que sempre correspondem às distribuições reais das instâncias no espaço de decisão.

Uma árvore de decisão pode ser representada na forma de um conjunto de regras inteligíveis, para se melhorar o entendimento de quem analisa os dados.

Uma árvore de decisão corresponde a uma estrutura na forma de árvore, em que nós não-terminais representam testes em um ou mais atributos, e nós terminais representam as decisões de saída (classes da variável dependente).