数据挖掘的常用模型和算法包括：

1. 决策树：是一种常用的分类方法，通过从训练数据集中学习决策规则来进行分类。主要的决策树算法有ID3、C4.5（C5.0）、CART、PUBLIC、SLIQ和SPRINT等。
2. 贝叶斯方法：是一种利用概率统计知识进行分类的方法，如朴素贝叶斯（Naive Bayes）算法。
3. 聚类分析：通过计算数据之间的相似性，将数据集分成若干个群体。常见的聚类分析算法有K-Means、DBSCAN、层次聚类等。
4. 关联规则挖掘：通过挖掘数据集中的关联规则，发现项集之间的有趣关系。经典的关联规则挖掘算法有Apriori、FP-Growth等。
5. 神经网络：一种模拟人脑神经元结构的信息处理模型，常用的是深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）、深度信念网络（DBN）等。
6. 支持向量机（SVM）：一种二分类模型，通过寻找一个超平面，将不同类别的样本分隔开。SVM在文本分类、手写数字识别等领域取得了良好的效果。
7. 粗糙集理论（RST）：一种处理不确定性信息的新型数学工具，通过对数据的预处理，提取出决策规则，用于分类和预测。
8. 遗传算法（GA）：模拟自然界进化机制的搜索算法，通过选择、交叉和变异等操作，寻找最优解。
9. 主成分分析（PCA）：一种降维技术，通过线性变换将原始特征组合成一组新的特征，即主成分，新特征能最大限度地保留原始数据的信息。
10. 回归分析：一种预测连续值的方法，通过拟合自变量和因变量之间的关系，预测未知数据的值。常见的回归分析方法有线性回归、岭回归、套索回归等。

这些模型和算法各有优缺点，适用于不同的应用场景和问题类型。选择合适的模型和算法需要考虑数据的特性、任务的类型和问题的复杂度等因素。