1、什么是數(shù)據(jù)挖掘？
     數(shù)據(jù)挖掘(Data Mining)是采用數(shù)學(xué)的、統(tǒng)計的、人工智能和神經(jīng)網(wǎng)絡(luò)等領(lǐng)域的科學(xué)方法，如記憶推理、聚類分析、關(guān)聯(lián)分析、決策樹、神經(jīng)網(wǎng)絡(luò)、基因算法等技術(shù)，從大量數(shù)據(jù)中挖掘出隱含的、先前未知的、對決策有潛在價值的關(guān)系、模式和趨勢,并用這些知識和規(guī)則建立用于決策支持的模型，提供預(yù)測性決策支持的方法、工具和過程。
     數(shù)據(jù)挖掘綜合了各個學(xué)科技術(shù)，有很多的功能，當前的主要功能如下：
　　(1)、分類：按照分析對象的屬性、特征，建立不同的組類來描述事物。例如：銀行部門根據(jù)以前的數(shù)據(jù)將客戶分成了不同的類別，現(xiàn)在就可以根據(jù)這些來區(qū)分新申請貸款的客戶，以采取相應(yīng)的貸款方案。
　  (2)、聚類：識別出分析對內(nèi)在的規(guī)則，按照這些規(guī)則把對象分成若干類。例如：將申請人分為高度風(fēng)險申請者，中度風(fēng)險申請者，低度風(fēng)險申請者。
　　(3)、關(guān)聯(lián)規(guī)則：關(guān)聯(lián)是某種事物發(fā)生時其他事物會發(fā)生的這樣一種聯(lián)系。例如：每天購買啤酒的人也有可能購買香煙，比重有多大，可以通過關(guān)聯(lián)的支持度和可信度來描述。
    (4)、預(yù)測：把握分析對象發(fā)展的規(guī)律，對未來的趨勢做出預(yù)見。例如：對未來經(jīng)濟發(fā)展的判斷。
　  (5)、偏差的檢測：對分析對象的少數(shù)的、極端的特例的描述，揭示內(nèi)在的原因。例如：在銀行的100萬筆交易中有500例的欺詐行為，銀行為了穩(wěn)健經(jīng)營，就要發(fā)現(xiàn)這500例的內(nèi)在因素，減小以后經(jīng)營的風(fēng)險。
    當然除了以上所列出的還有時間序列分析等一些其他的功能，需要注意的是：數(shù)據(jù)挖掘的各項功能不是獨立存在的，在數(shù)據(jù)挖掘中互相聯(lián)系，發(fā)揮作用。

2、數(shù)據(jù)挖掘與統(tǒng)計學(xué)的聯(lián)系
    數(shù)據(jù)挖掘技術(shù)是計算機技術(shù)、人工智能技術(shù)和統(tǒng)計技術(shù)等構(gòu)成的一種新學(xué)科。數(shù)據(jù)挖掘來源于統(tǒng)計分析，而又不同于統(tǒng)計分析。數(shù)據(jù)挖掘不是為了替代傳統(tǒng)的統(tǒng)計分析技術(shù)，相反，數(shù)據(jù)挖掘是統(tǒng)計分析方法的擴展和延伸。大多數(shù)的統(tǒng)計分析技術(shù)都基于完善的數(shù)學(xué)理論和高超的技巧，其預(yù)測的準確程度還是令人滿意的，但對于使用者的知識要求比較高。而隨著計算機能力的不斷發(fā)展，數(shù)據(jù)挖掘可以利用相對簡單和固定程序完成同樣的功能。新的計算算法的產(chǎn)生如神經(jīng)網(wǎng)絡(luò)、決策樹使人們不需了解到其內(nèi)部復(fù)雜的原理也可以通過這些方法獲得良好的分析和預(yù)測效果。
     由于數(shù)據(jù)挖掘和統(tǒng)計分析根深蒂固的聯(lián)系，通常的據(jù)挖掘工具都能夠通過可選件或自身提供統(tǒng)計分析功能。這些功能對于數(shù)據(jù)挖掘的前期數(shù)據(jù)探索和數(shù)據(jù)挖掘之后對數(shù)據(jù)進行總結(jié)和分析都是十分必要的。統(tǒng)計分析所提供的諸如方差分析、假設(shè)檢驗、相關(guān)性分析、線性預(yù)測、時間序列分析等功能都有助于數(shù)據(jù)挖掘前期對數(shù)據(jù)進行探索，發(fā)現(xiàn)數(shù)據(jù)挖掘的題目、找出數(shù)據(jù)挖掘的目標、確定數(shù)據(jù)挖掘所需涉及的變量、對數(shù)據(jù)源進行抽樣等等。所有這些前期工作對數(shù)據(jù)挖掘的效果產(chǎn)生重大影響。而數(shù)據(jù)挖掘的結(jié)果也需要統(tǒng)計分析的描述功能（最大值、最小值、平均值、方差、四分位、個數(shù)、概率分配）進行具體描述，使數(shù)據(jù)挖掘的結(jié)果能夠被用戶了解。因此，統(tǒng)計分析和數(shù)據(jù)挖掘是相輔相成的過程,兩者的合理配合是數(shù)據(jù)挖掘成功的重要條件。
    3、數(shù)據(jù)挖掘與統(tǒng)計學(xué)的區(qū)別
       統(tǒng)計學(xué)目前有一種趨勢是越來越精確。當然，這本身并不是壞事，只有越精確才能避免錯誤，發(fā)現(xiàn)真理。統(tǒng)計學(xué)在采用一個方法之前先要證明，而不是象計算機科學(xué)和機器學(xué)習(xí)那樣注重經(jīng)驗。有時候同一問題的其它領(lǐng)域的研究者提出一個很明顯有用的方法，但它卻不能被統(tǒng)計學(xué)家證明（或者現(xiàn)在還沒有證明）。統(tǒng)計雜志傾向于發(fā)表經(jīng)過數(shù)學(xué)證明的方法而不是一些特殊方法。數(shù)據(jù)挖掘作為幾門學(xué)科的綜合，已經(jīng)從機器學(xué)習(xí)那里繼承了實驗的態(tài)度。這并不意味著數(shù)據(jù)挖掘工作者不注重精確，而只是說明如果方法不能產(chǎn)生結(jié)果的話就會被放棄。
       正是由于統(tǒng)計學(xué)的數(shù)學(xué)精確性，而且其對推理的側(cè)重，盡管統(tǒng)計學(xué)的一些分支也側(cè)重于描述，但是瀏覽一下統(tǒng)計論文的話就會發(fā)現(xiàn)這些論文的核心問題就是在觀察了樣本的情況下如何去推斷總體。當然這也常常是數(shù)據(jù)挖掘所關(guān)注的。下面我們會提到數(shù)據(jù)挖掘的一個特定屬性就是要處理的是一個大數(shù)據(jù)集。這就意味著，傳統(tǒng)統(tǒng)計學(xué)由于可行性的原因，我們常常得到的只是一個樣本，但是需要描述樣本取自的那個大數(shù)據(jù)集。然而，數(shù)據(jù)挖掘問題常?？梢缘玫綌?shù)據(jù)總體，例如關(guān)于一個公司的所有職工數(shù)據(jù)，數(shù)據(jù)庫中的所有客戶資料，去年的所有業(yè)務(wù)。在這種情形下，統(tǒng)計學(xué)的推斷就沒有價值了。
       很多情況下，數(shù)據(jù)挖掘的本質(zhì)是很偶然的發(fā)現(xiàn)非預(yù)期但很有價值的信息。這說明數(shù)據(jù)挖掘過程本質(zhì)上是實驗性的。這和確定性的分析是不同的。（實際上，一個人是不能完全確定一個理論的，只能提供證據(jù)和不確定的證據(jù)。）確定性分析著眼于最適合的模型－建立一個推薦模型，這個模型也許不能很好的解釋觀測到的數(shù)據(jù)。大部分統(tǒng)計分析提出的是確定性的分析。
      如果數(shù)據(jù)挖掘的主要目的是發(fā)現(xiàn)，那它就不關(guān)心統(tǒng)計學(xué)領(lǐng)域中的在回答一個特定的問題之前，如何很好的搜集數(shù)據(jù)，例如實驗設(shè)計和調(diào)查設(shè)計。數(shù)據(jù)挖掘本質(zhì)上假想數(shù)據(jù)已經(jīng)被搜集好，關(guān)注的只是如何發(fā)現(xiàn)其中的秘密。
      （另外，統(tǒng)計學(xué)的核心是模型，數(shù)據(jù)挖掘的更重要的是準則。這部分沒看懂，期待有人補充。）