数据挖掘是一门交叉学科,涉及数据库、统计学、人工智能和机器学习等多个领域,数据挖掘又称数据库中的知识发现,就是从大量数据中获取的有效的、潜在有用的并且最终可理解的模式的非平凡过程,显而易见数据挖掘就是从大量的数据里提取或者“挖掘”知识!分类是数据挖掘技术中一项非常重要的研究课题,利用分类可以从数据集中提取描述数据类相同的一个模型或者函数,并把数据集中的每个未知类别的对象归结到某个已知的对象类中,目前的分类算法主要是统计分类法、神经网络、决策树等。不同的分类算法会产生不同的分类器,分类器的好坏直接影响到数据挖掘的效率和准确性。因而,当对海量的大规模的数据进行分类时,选择最合适的分类算法是非常重要的。但是分类的效果一般和数据的特点有关,有的数据噪声大,有的有缺值,有的分布稀疏,有的字段或属性间相关性强,有的属性是离散的而有的是连续值或混合式的,没有一种方法能适合所有不同特点的数据。因此,本文针对分类算法中的经典的工D3算法、朴素贝叶斯算法、BP神经网络算法的研究现状进行总结的基础上,结合四大数据,用两种验证方式,分别对预测准确度,建立分类模型的时间,模型的简洁度进行比较分析,总结优点,看到缺陷,并提出展望。