在数据挖掘的实际工程中，多数时候需要从总体中抽取样本来进行模型预测。抽样的方法有多种，此处例举常见的几种。

1、简单抽样。

   简单抽样分为有放回抽样和无放回抽样。无放回抽样：从N个个体中随机抽取n个个体，每次抽取一个个体，且抽取后不再放回。有放回抽样：跟无放回类似，但是每次抽取个体之后，要放回。

2、簇抽样

先将总体分为多个不想交的簇，然后再抽取一个或多个簇作为样本。例如：把某中学二年级的学生按班级分为多个簇（假设一个班就是一个簇），每次抽取一个或多个班（簇）作为样本，这种抽样方法就是簇抽样。簇抽样要求簇内的差异较大，簇之间的差异较小，从而使得簇抽取的样本具有代表性。

3、分层抽样

将总体分为多个不想交的部分，叫做层，然后按照一个定的比例在每个层中进行抽样。例如：将某中学的所有学生作为总体，每个年级的学生作为一个层，再从每个层中随机抽样一定数量的学生，这种方法就是分层抽样。分层抽样要求层内的差异较大，而层之间的差异较小。

4、系统抽样（针对样本容量很大的情况）

   从N个个体中抽取n个个体，做法是先确定k=N/n（对k向上取整），把N个个体分为n段，每段有k个个体，设定一个整数m，1 <= m <= k，在每段中抽取第m个个体，抽取完n段得到n个个体，这n个个体就是抽样的结果。这种抽样方法就是整体抽样。

5、自助抽样

   假设总体的个体（实例）个数为N，自助抽样的思想是：每次从总体里面抽取一个个体，抽取N次，这样有一部分个体一次都没被抽中，而另一部分个体至少被抽中一次。一次都没抽中的个体数量大概是，当N很大时，其值为 ≈ 0.368，而至少被抽中一次的个体数占总体的0.682。

6、蓄水池抽样

   当总体的数量足够大，不能读进计算机内存的时候，前面几种方法就不适用了，这个可以采用蓄水池抽样法。其具体实现的伪代码如下(假设从N个个体中抽取k个个体)：