大数据分类方法主要包括以下几种：

1. 传统的机器学习方法：包括决策树、支持向量机、朴素贝叶斯、K近邻等算法。这些方法通过对数据进行特征提取和模型训练，可以对大数据进行分类。

2. 深度学习方法：包括神经网络、深度神经网络、卷积神经网络、循环神经网络等。这些方法通过多层次的神经网络结构，可以学习到更加复杂的数据特征，适用于大规模数据分类。

3. 聚类方法：包括K均值聚类、层次聚类、密度聚类等。这些方法通过将数据点划分为不同的类别或簇，可以实现对大数据的分类。

4. 集成学习方法：包括随机森林、AdaBoost、Bagging等。这些方法通过组合多个基分类器的预测结果，可以提高分类的准确性和鲁棒性。

5. 概率图模型方法：包括隐马尔可夫模型、条件随机场等。这些方法通过建立数据点之间的概率关系，可以实现对大数据的分类。

大数据分类方法包括传统的机器学习方法、深度学习方法、聚类方法、集成学习方法和概率图模型方法等多种方法，可以根据具体问题和数据特点选择合适的方法进行分类分析。