关于数据挖掘的若干概念

 数据挖掘

数据挖掘利用了 人工智能 和 统计分析 的进步所带来的好处。这 两门学科都致力于模式发现和预测。

n 数据挖掘不是为了替代传统的统计分析技术。相反，它是统计 分析方法学的延伸和扩展。大多数的统计分析技术都基于完善 的数学理论和高超的技巧，预测的准确度还是令人满意的，但 对使用者的要求很高。而随着计算机计算能力的不断增强，我 们有可能利用计算机强大的计算能力只通过相对简单和固定的 方法完成同样的功能。一些新兴的技术同样在知识发现领域取 得了很好的效果，如 神经元网络 和 决策树 ，在足够多的数据和 计算能力下，它们几乎不需人工干预就能自动完成许多有价值 的功能。

n 数据挖掘 就是充分利用了统计学和人工智能技术的应用程序， 并把这些高深复杂的技术封装起来，使人们不用自己掌握这些 技术也能完成同样的功能，并且更专注于自己所要解决的问题。

数据挖掘和知识发现
数据挖掘（Data Mining）从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。与之相似的概念称为知识发现。

    知识发现（Knowledge Discovery in Databases）是用数据库管理系统来存储数据，用机器学习的方法来分析数据，挖掘大量数据背后隐藏的知识，称为数据库中的知识发现。

数据挖掘和数据仓库
大部分情况下，数据挖掘都要先把数据从数据仓库中拿到数据挖掘库或数据集市中。从数据仓库中直接得到进行数据挖掘的数据有许多好处。数据仓库的数据清理和数据挖掘的数据清理差不多，如果数据在导入数据仓库时已经清理过，那很可能在做数据挖掘时就没必要再清理一次了，而且所有的数据不一致的问题都已经解决了。

数据挖掘与信息处理
信息处理基于查询，可以发现有用的信息。但是这种查询的回答反映的是直接存放在数据库中的信息。它们不反映复杂的模式，或隐藏在数据库中的规律。

数据挖掘与联机分析
OLAP分析过程在本质上是一个演绎推理的过程，是决策支持领域的一部分。传统的查询和报表工具是告诉你数据库中都有什么（what happened），OLAP则更进一步告诉你下一步会怎么样（What next）和如果采取这样的措施又会怎么样（What if）。用户首先建立一个假设，然后用OLAP检索数据库来验证这个假设是否正确。
数据挖掘在本质上是一个归纳推理的过程，与OLAP不同的地方是，数据挖掘不是用于验证某个假定的模式（模型）的正确性，而是在数据库中自己寻找模型。
数据挖掘和OLAP具有一定的互补性。在利用数据挖掘出来的结论采取行动之前，OLAP工具能起辅助决策作用。而且在知识发现的早期阶段，OLAP工具用来探索数据，找到哪些是对一个问题比较重要的变量，发现异常数据和互相影响的变量。这都有助于更好地理解数据，加快知识发现的过程。