数据挖掘主要分为4类，即预测、分类、聚类和关联，根据不同的挖掘目的选择相应的算法。下面对R语言中常用的数据挖掘包做一个汇总：
连续因变量的预测：
stats包 lm函数，实现多元线性回归
stats包 glm函数，实现广义线性回归
stats包 nls函数，实现非线性最小二乘回归
rpart包 rpart函数，基于CART算法的分类回归树模型
RWeka包 M5P函数，模型树算法，集线性回归和CART算法的优点
adabag包 bagging函数，基于rpart算法的集成算法
adabag包 boosting函数，基于rpart算法的集成算法
randomForest包 randomForest函数，基于rpart算法的集成算法
e1071包 svm函数，支持向量机算法
kernlab包 ksvm函数，基于核函数的支持向量机
nnet包 nnet函数，单隐藏层的神经网络算法
neuralnet包 neuralnet函数，多隐藏层多节点的神经网络算法
RSNNS包 mlp函数，多层感知器神经网络
RSNNS包rbf函数，基于径向基函数的神经网络
离散因变量的分类：
stats包 glm函数，实现Logistic回归，选择logit连接函数
stats包 knn函数，k最近邻算法
kknn包 kknn函数，加权的k最近邻算法
rpart包 rpart函数，基于CART算法的分类回归树模型
adabag包bagging函数，基于rpart算法的集成算法
adabag包boosting函数，基于rpart算法的集成算法
randomForest包randomForest函数，基于rpart算法的集成算法
party包ctree函数，条件分类树算法
RWeka包OneR函数，一维的学习规则算法
RWeka包JPip函数，多维的学习规则算法
RWeka包J48函数，基于C4.5算法的决策树
C50包C5.0函数，基于C5.0算法的决策树
e1071包svm函数，支持向量机算法
kernlab包ksvm函数，基于核函数的支持向量机
e1071包naiveBayes函数，贝叶斯分类器算法
klaR包NaiveBayes函数，贝叶斯分类器算分
MASS包lda函数，线性判别分析
MASS包qda函数，二次判别分析
nnet包nnet函数，单隐藏层的神经网络算法
RSNNS包mlp函数，多层感知器神经网络
RSNNS包rbf函数，基于径向基函数的神经网络
聚类：
Nbclust包Nbclust函数可以确定应该聚为几类
stats包kmeans函数，k均值聚类算法
cluster包pam函数，k中心点聚类算法
stats包hclust函数，层次聚类算法
fpc包dbscan函数，密度聚类算法
fpc包kmeansruns函数，相比于kmeans函数更加稳定，而且还可以估计聚为几类
fpc包pamk函数，相比于pam函数，可以给出参考的聚类个数
mclust包Mclust函数，期望最大（EM）算法
关联规则：
arules包apriori函数，Apriori关联规则算法
