Khai phá dữ liệu trực quan tìm tri thức ngầm và hữu ích từ tập dữ liệu lớn dùng phương pháp trực quan hóa dữ liệu và tri thức. Hệ thống trực quan con người được quản lý bởi mắt và não, sau này có thể coi như động cơ xử lý song song và lý luận động bao gồm cơ sở tri thức khổng lồ.
Khai phá dữ liệu trực quan có thể được xem như sự hợp nhất hai lĩnh vực như trực quan hóa dữ liệu và khai phá dữ liệu. Nó cũng liên quan đến đồ họa máy tính, hệ thống đa phương tiện, tương tác người-máy, nhận dạng mẫu, và tính toán hiệu năng cao.
Nói chung, trực quan hóa dữ liệu và khai phá dữ liệu có thể tích hợp theo các cách sau:
Trực quan hóa dữ liệu (Data visualization) − Dữ liệu trong cơ sở dữ liệu hoặc kho dữ liệu có thể được xem ở nhiều mức độ chi tiết hoặc trừu tượng, hoặc như một vài tổ hợp thuộc tính hoặc chiều. Dữ liệu có thể được hiển thị dưới một vài hình thức trực quan, bao gồm boxplots, khối 3-D, biểu đồ phân phối dữ liệu, đường cong, bề mặt, đồ thị liên kết, v.v.
Trực quan hóa kết quả khai phá (Data mining result visualization) − Trực quan hóa kết quả khai phá dữ liệu là trình bày kết quả hoặc tri thức đạt được từ khai phá dữ liệu dưới hình thức trực quan. Các hình thức như vậy có thể liên quan đến biểu đồ phân tán và boxplots (đạt từ khai phá dữ liệu mô tả), và cây quyết định, luật liên kết, cụm, giá trị ngoại lai, luật khái quát hóa, v.v.
Trực quan hóa quy trình khai phá (Data mining process visualization) − Loại trực quan hóa này trình bày các quy trình khai phá dữ liệu trong hình thức trực quan để người dùng có thể xem dữ liệu được suy ra như thế nào và từ cơ sở dữ liệu hoặc kho dữ liệu nào chúng được trích xuất và cách dữ liệu được chọn làm sạch, tích hợp, tiền xử lý, và khai phá. Hơn nữa, nó cũng có thể chỉ ra phương pháp nào được chọn cho khai phá dữ liệu, nơi kết quả được lưu, và cách chúng có thể được xem xét.
Khai phá dữ liệu trực quan tương tác (Interactive visual data mining) − Trong khai phá dữ liệu trực quan tương tác, công cụ trực quan hóa có thể được dùng trong quy trình khai phá dữ liệu để hỗ trợ người dùng tạo quyết định khai phá dữ liệu thông minh. Ví dụ, phân phối dữ liệu trong một nhóm thuộc tính có thể được hiển thị dùng các khu vực có màu (trong đó toàn bộ không gian được định nghĩa bởi một hình tròn). Hiển thị này hỗ trợ người dùng quyết định khu vực nào phải được chọn trước cho phân loại và nơi điểm tách tốt nhất cho khu vực này có thể là.
Khai phá dữ liệu âm thanh cần tín hiệu âm thanh để biểu thị mẫu của dữ liệu hoặc đặc điểm kết quả khai phá dữ liệu. Mặc dù khai phá dữ liệu trực quan có thể tiết lộ mẫu thú vị dùng hiển thị đồ họa, nó cần người dùng tập trung nhìn mẫu và nhận diện đặc điểm thú vị hoặc mới bên trong chúng.
Nếu mẫu có thể được thay đổi thành âm thanh và nhạc, thay vì nhìn hình ảnh, có thể nghe cao độ, nhịp, giai điệu, và melody để nhận diện bất cứ điều gì thú vị hoặc bất thường. Điều này có thể giảm bớt nhiều gánh nặng tập trung trực quan và thoải mái hơn khai phá trực quan. Do đó, khai phá dữ liệu âm thanh là đối tác thú vị cho khai phá trực quan.