数据挖掘DM与联机分析处理OLAP的区别

Question

如题所述

Answer 1

主要区别有以下几点：
1）OLAP联机分析是对当前事务(tranction)进行处理，一般采取多“维度－事实”的库表结构，可以对当前的事务数据进行直观的分析和呈现，用户需求中经常提到的多维报表就是这个意思，市场上应用较广的数据报表工具：BO，BRIO等就是OLAP工具。
2）DM应该说不是某个具体的工具和产品，而是一整套解决方案，比如：首先需要有数据仓库的支持（Data warehouse），即有海量的数据仓库，一般对实时性没有具体要求，主要是对历史数据进行分析，从中发现用以支撑决策的规律性东西（知识）；
3）OLAP可以理解为是“数据－信息”的升华，而DM是“数据－信息－知识”的升华，显然二者之间的区别还是很明显，OLAP处理后的一些结果甚至是DM的数据源之一。
4）DM需要用到更为复杂的算法和工具。一些启发式学习算法，比如：神经网络，遗传算法，SVM等一般都是应用到DM中，而OLAP一般用到常规的统计学算法，比如：均值，一元，二元回归等等
5）二者的实施和项目结果输出都不同。OLAP一般是当前事务型项目的辅助和补充（经常一个项目中需要用到报表工具就是OLAP），而DM一般是一个独立的，较为大型的IT项目，独立于当前的事务型应用。

Answer 2

数据挖掘和在线分析处理
　　（OLAP） 　　一个经常问的问题是，数据挖掘和OLAP到底有何不同。下面将会解释，他们是完全不同的工具，基于的技术也大相径庭。 　　OLAP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）、和如果我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。比如，一个分析师想找到什么原因导致了贷款拖欠，他可能先做一个初始的假定，认为低收入的人信用度也低，然后用OLAP来验证他这个假设。如果这个假设没有被证实，他可能去察看那些高负债的账户，如果还不行，他也许要把收入和负债一起考虑，一直进行下去，直到找到他想要的结果或放弃。 　　也就是说，OLAP分析师是建立一系列的假设，然后通过OLAP来证实或推翻这些假设来最终得到自己的结论。OLAP分析过程在本质上是一个演绎推理的过程。但是如果分析的变量达到几十或上百个，那么再用OLAP手动分析验证这些假设将是一件非常困难和痛苦的事情。 　　数据挖掘与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。他在本质上是一个归纳的过程。比如，一个用数据挖掘工具的分析师想找到引起贷款拖欠的风险因素。数据挖掘工具可能帮他找到高负债和低收入是引起这个问题的因素，甚至还可能发现一些分析师从来没有想过或试过的其他因素，比如年龄。 　　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，你也许要验证一下如果采取这样的行动会给公司带来什么样的影响，那么OLAP工具能回答你的这些问题。 　　而且在知识发现的早期阶段，OLAP工具还有其他一些用途。可以帮你探索数据，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。这都能帮你更好的理解你的数据，加快知识发现的过程。