分类问题是数据挖掘技术中的主要研究课题。分类是根据数据集的特点构造一个分类器，利用分类器对未知类别的样本赋予类别的一种技术。目前的分类算法主要有统计分类法、决策树、神经网络等。不同的分类方法会产生不同的分类器，分类器的优劣直接影响数据挖掘的效率与准确性。因此，当对大规模的海量的数据进行分类时，选择最有效的分类算法是至关重要的。目前关于数据挖掘的分类算法研究类型可以概括为以下几种：分类算法的综述型；对分类算法的改进型；将某些分类算法进行组合；在小样本条件下的分类算法的实证研究；对某一单一的分类算法的研究与应用型。特别是目前大部分研究者倾向于提出新算法，很少有对算法的使用进行实证分析和比较，对某一具体数据集运用已有的各种分类算法进行对比研究的尚不多见。为弥补这一不足，本文利用多个具体实例，对数据挖掘中的分类问题进行了深入的研究，分析比较各种算法的特性，找出各自的特点。经对比分析，认为神经网络算法的总体分类效果较好。同时在对比分析中，还发现在对于不同类型的数据集，不同领域的数据集，不同的分类模式，不同的比较准则，不同的分类方法都会产生不同的分类结果。因此在对于不同的数掘集进行分类时，必须依据数据集自身的特点和分类的模式选择不同的分类方法，这样才能把误差控制在最小的范围，得到高精度的分类结果。