数据挖掘常用的变量选择方法主要包括以下几种：
非监督性变量选择方法：
缺失值比率：基于数据列包含大量缺失值时可能包含较少有用信息的假设，移除缺失值超过特定阈值的列。低方差滤波：基于方差小的数据列信息量少的假设，移除所有方差小的数据列。
高相关滤波：
假设变化趋势相似的数据列包含相似信息，通过计算相关系数或皮尔逊卡方值来表示列间的相似性，并保留相似列中的一个。
主成分分析：
通过正交变换将数据集转换至具有最大方差值的新数据集中，保留前m个主成分以保持数据信息量。适用于数据解释能力不重要的分析。
随机森林方法：
在组合决策树中用于特征选择和构建分类器，通过生成大量树并统计每个属性结果，找到信息量最大的特征子集。
递归特征消除：
通过递归地从候选特征集中选择特征，训练基分类器并丢弃权重最小的特征。适用于有权重分配的基分类器，如线性模型。
L1正则化方法：
通过最小化代价函数来选择变量，最小化系数以防止过拟合。不重要的变量系数会降至0，从而实现变量选择。
每种方法都有其局限性和适用场景，具体实施时需根据实际情况进行分析和选择。