数据挖掘常用的模型包括以下几种：
分类模型：用于预测离散的目标变量，常见的分类算法包括决策树、朴素贝叶斯、逻辑回归、K近邻、支持向量机等。
聚类模型：用于发现数据集中的模式和结构，常见的聚类算法包括K-均值、层次聚类、DBSCAN等。
关联规则学习模型：用于发现数据项之间的有趣关系，如超市中的“尿布和啤酒”关联。常见的关联规则学习算法包括Apriori和FP-growth。
回归模型：用于预测连续的目标变量，常见的回归算法包括线性回归、逻辑回归、多项式回归等。
异常检测模型：用于识别数据中的异常或离群点，常见的异常检测算法包括Z-score、IQR、DBSCAN等。
序列模式挖掘模型：用于发现数据中的时间或顺序相关的模式，常见的序列模式挖掘算法包括序列模式挖掘（SPM）、时间序列分析等。
概念描述模型：用于概括和描述数据集中的数据特征，常见的概念描述算法包括基于大样本的描述、基于小样本的描述等。
预测模型：用于预测数值型数据的未来值，常见的预测算法包括线性回归、逻辑回归、决策树、神经网络等。
以上是数据挖掘中常用的一些模型，每种模型都有其特定的应用场景和优缺点。在实际应用中，需要根据具体问题和数据特点选择合适的模型。
