数据挖掘常用算法包括以下几种：
分类算法：对数据集进行分类，如决策树、朴素贝叶斯、K近邻、支持向量机等。
聚类算法：将数据集中的样本划分为若干个不相交的子集，每个子集称为一个簇。常见的聚类算法有层次聚类法、划分法、随机选取法等。
关联规则算法：挖掘数据集中项之间的有趣关系，如Apriori算法和FP-growth算法。
回归算法：用于预测数值型数据的模型，如线性回归、逻辑回归等。
神经网络算法：由若干层神经元和它们之间的联系组成，适用于一个输入可能落入至少两个类别里的情况。
时间序列算法：用于挖掘时间序列数据中的规律，如自相关函数分析、谱分解等。
异常检测算法：用于发现数据集中不寻常或罕见的模式，如基于距离的异常检测、基于密度的异常检测等。
特征选择算法：用于从原始特征中选择出对模型预测最有用的特征，以提高模型的性能。
数据预处理算法：包括数据清理、数据集成、数据变换等，为后续的数据挖掘过程做好准备。
以上算法在不同的应用场景中各有优势，通常需要根据具体的问题和数据集来选择合适的算法。
