大数据挖掘方法主要包括以下几种：
分类：
定义：找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类。目的：通过分类模型，将数据库中的数据项映射到某个给定的类别。
回归分析：
定义：反映事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数。目的：发现变量或属性间的依赖关系，研究数据序列的趋势特征、预测及数据间的相关关系。
聚类：
定义：把一组数据按照相似性和差异性分为几个类别。目的：使得同一类别的数据间相似性尽可能大，不同类别中的数据间相似性尽可能小。
关联规则：
定义：描述数据库中数据项之间关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现。应用：发现数据间的关联或相互关系，常用于市场篮子分析等场景。
特征分析：
定义：从数据库中的一组数据中提取出关于这些数据的特征式。目的：表达数据集的总体特征，用于预测、分类等任务。
变化和偏差分析：
定义：寻找观察结果与参照量之间有意义的差别。目的：发现分类中的反常实例、模式的例外等，常用于异常检测、危机预警等领域。
Web页挖掘：
定义：利用Web的海量数据进行分析，收集相关信息。应用：收集政治、经济、政策、科技、金融、市场、竞争对手、供求信息、客户等信息，用于企业决策支持、危机管理等。
这些方法在大数据分析中发挥着重要作用，能够帮助企业、研究机构等从海量数据中提取有价值的信息和知识。