数据挖掘的蜕变？以及它的五大特性

所谓的数据挖掘是指从数据库中的大量数据中揭示隐式、先前未知和潜在有价值信息的非平凡过程。数据挖掘包含的算法与技术、数据、建模能力三个主要部分。对企业数据进行自动分析，进行归纳推理，挖掘潜在模式，帮助决策者调整市场战略，降低风险，做出正确的决策。

然而传统的数据挖掘与如今的数据挖掘存在的变化：

1、从结构化数据到非结构化数据。传统的数据挖掘都是依据数据库里面的数据进行分析，在大数据时代，数据来源多种多样，像Smartbi会对于这些非结构化数据加工，这些是大数据数据挖掘的重要特征。

2、从抽样数据到全量数据。传统数据挖掘受制于数据处理能力，只能使用少量的抽样数据进行分析。在大数据技术环境下，完全可以实现全量数据的分析，如果使用Smartbi的数据挖掘的平台，效率甚至可能高于抽样数据的分析。

3、从因果关系到相关性分析。大数据分析通过事件和多种因素进行相关性分析，Smartbi的数据挖掘的平台通过数据挖掘和机器学习的算法找到其关联关系，并运用回归分析从而实现预测。

数据挖掘的五大特性：

1.基于大量数据：不是说无法挖掘小数据量。实际上，大多数数据挖掘算法都可以在较小的数据量上运行并获得结果。但是，一方面，过小的数据量可以通过手动分析来总结，另一方面，小数据量通常不能反映现实世界的一般特征。

2.非平凡性：所谓非平凡的意思是指所挖掘的知识是不简单的。一定不能与著名体育评论员所说的相似：“经过我的计算，直到比赛结束我才发现了一个有趣的现象。本届世界杯的进球数和失球数都是相同的。非常巧合！”这种知识。这似乎没有必要，但是许多不了解业务知识的数据挖掘新手经常会犯此错误。

3.隐含性：数据挖掘是发现数据深处的知识，而不是直接出现在数据表面的信息。常用的BI工具（思迈特软件Smartbi）完全可以让用户找到此信息。

4.新奇性：挖掘的知识以前应该是未知的，否则仅是为了验证业务专家的经验。只有新知识才能帮助公司获得进一步的洞察力。

5.价值性：挖掘的结果必须为企业带来直接或间接的利益。在某些数据挖掘项目中，由于缺乏明确的业务目标，或者由于数据质量不足，或者由于人们抵制不断变化的业务流程，又或者由于挖掘人员缺乏经验，都会导致结果不佳甚至根本没有效果。但是，大量成功的案例也证明了数据挖掘确实可以成为提高效率的武器。

数据挖掘本质上像是机器学习和人工智能的基础，它的主要目的是从各种各样的数据来源中，提取出超级的信息，然后将这些信息合并让你发现你从来没有想到过的模式和内在关系。这就意味着，数据挖掘不是一种用来证明假说的方法，而是用来构建各种各样的假说的方法。

数据挖掘不能告诉你这些问题的答案，他只能告诉你，A和B可能存在相关关系，但是他无法告诉你A和B存在什么相关关系。机器学习是从假设空间H中寻找假设函数g近似目标函数f。数据挖掘是从大量的数据相互之间的特性。

申请试用