Проверка результатов. 
Область Data Mining

Заключительный этап обнаружения знаний в данных, заключается в проверке, того что модель даёт правдивые результаты. Алгоритмы интеллектуального анализа данных применяют для более широкого набора данных. Не все модели найденные алгоритмами интеллектуального анализа данных обязательно правдивы. Она является общей для алгоритмов интеллектуального анализа данных для поиска закономерностей в обучающем наборе, которых нет в общем наборе данных. Это называется переобучение. Чтобы проверить модель, используется тестовый набор данных, на которых алгоритм интеллектуального анализа данных не обучался. Далее полученный результат сравнивают с требуемым выходом. Например, алгоритм интеллектуального анализа данных пытается отличить «спам» от «законного» письма. Перед этим алгоритм обучается на тренировочном наборе образцов писем электронной почты. После обучения, применяется тестовый набор электронных писем, на которых он не обучался. Точность модели можно измерять тем, как много электронных писем алгоритм правильно классифицировал. Количественно — статистические методы могут быть использованы для оценки алгоритма, например, ROC кривых.

Если ученые моделей не отвечают требуемым стандартам, то необходимо пересмотреть и изменить предварительную обработку и добычу данных. Если ученые структуры не отвечают требуемым стандартам, то переходят к последнему шагу, чтобы интерпретировать изучение шаблонов и превратить их в знания.