聊一聊统计学和数据挖掘的区别（三）

在前面的文章中我们给大家讲述了数据挖掘的一个特定属性就是要处理的是一个大数据集，这跟统计学不同，使得两者在建立模型中都可能存在差别，所以我们还是要了解这些内容的，但是数据挖掘和统计学的区别还有哪些呢？下面就有我们为大家解答一下这个问题。

数据挖掘中的一个特定的属性就是处理一个大数据集，这就意味着，建立的统计模型可能会利用一系列概率表述，但当总体数据可以获得的话，在数据挖掘中则变得毫无意义。在这里，我们可以很方便的应用评估函数：针对数据的足够的表述。事实是，常常所关注的是模型是否合适而不是它的可行性，在很多情形下，使得模型的发现很容易。在我们寻找规则时常常会利用吻合度的单纯特性。但当我们应用概率陈述时则不会得到这些特性。

统计学和数据挖掘部分交迭的第三个特性是在现代统计学中起核心作用的模型。或许模型这个术语更多的含义是变化。一方面，统计学模型是基于分析变量间的联系，但另一方面这些模型关于数据的总体描述确实没有道理的。关于信用卡业务的回归模型可能会把收入作为一个独立的变量，因为一般认为高收入会导致大的业务。这可能是一个理论模型。与此相反，只需在一些可能具有解释意义的变量基础上进行逐步的搜索，从而获得一个有很大预测价值的模型，尽管不能作出合理的解释。

还有其它方法可以区分统计模型，但是我们关注的是现代统计学是以模型为主的。而计算，模型选择条件是次要的，只是如何建立一个好的模型。但在数据挖掘中，却不完全是如此。在数据挖掘中，准则起了核心的作用。然而，在很多情形下，模型的选择并不都是显而易见的，选择一个合适的模型是不可能的，最合适的计算方法也是不可行的。所以说，我们不能够把数据挖掘和统计学混淆。

由此可见，数据挖掘工作以及统计学需要注意的地方还是真的不少，我们在进行数据挖掘工作的时候一定要注意统计模型的选择和使用，这样才能够为数据挖掘工作乃至数据分析工作奠定了基础。