数据挖掘和预测分析的主要区别在于，数据挖掘是使用算法和挖掘工具识别数据隐藏模式的过程，而预测分析是将业务知识应用于发现的模式以进行预测的过程。

数据挖掘是在大型数据集中发现模式的过程。它提取数据实体之间的新模式和关系。数据挖掘的输出是一种模式，它形成一个时间轴变化的分布。另一方面，预测分析是将业务知识应用于数据集中发现的模式，以便预测趋势和行为的过程。这些模式是通过数据挖掘或使用其他技术发现的。业务分析师和领域专家分析和解释它们，以获得有意义的业务见解。

覆盖的关键领域

1.什么是数据挖掘–定义，用法2.什么是预测分析–定义，用法3.数据挖掘和预测分析之间的区别–关键区别的比较

关键术语

数据挖掘、预测分析

什么是数据挖掘(data mining)？

数据挖掘是指在一个大数据集中发现模式的过程。它涉及从数据集中提取信息，并将信息转换为可理解的结构以供进一步使用。它被广泛应用于数学、控制论、市场营销等领域。

Figure 1: Data Set

数据挖掘涉及到数据集成、数据转换、模式评估和可视化等任务。数据来自多个来源。所有数据都集成并存储在一个称为数据仓库的位置。其次，对数据进行预处理，使其适合进行数据挖掘。然后，使用聚类、回归等算法对模式进行识别，最后用图形对这些模式进行评价和可视化。

此外，还有一种称为web挖掘的数据挖掘。这是通过传统的数据挖掘方法和技术通过web收集信息的过程。它有助于了解网站的有效性和客户行为等因素。总的来说，数据挖掘提供了发现数据中隐藏模式的能力，以便可以使用这些模式进行预测和做出业务决策。

什么是预测分析(predictive ****ytics)？

预测分析法分析当前和历史事实，对未来或未知事件作出预测。它使用各种统计技术，如数据挖掘、预测建模和机器学习。

Figure 2: Predictive Analytics Process

预测分析过程包括以下活动。

1. 定义项目–定义项目结果、范围、业务目标并确定要使用的数据集。
2. 数据收集–从多个来源收集数据。
3. 数据分析–检查、建模数据以发现有用信息的过程。
4. 统计分析-验证假设，假设和测试他们使用统计模型。
5. 建模-为决策创建准确的预测模型。
6. 部署–部署日常决策过程的分析结果，以获得结果、报告和输出。
7. 模型监控–管理和监控模型性能，以确保模型提供预期结果。

预测分析在许多领域都有应用。它帮助业务组织分析历史数据和事务数据中发现的模式，以识别风险和机遇。例如，假设信用评分。对客户的信用历史记录、贷款申请和客户数据进行分析和处理，以决定该客户是否会按时支付信用付款。此外，预测分析还应用于营销、金融、保险、零售、电信、医疗保健、社交网络等领域。

数据挖掘(data mining)和预测分析(predictive ****ytics)的区别

定义

数据挖掘是利用机器学习、统计学和数据库系统的方法在大数据集中发现模式的过程。预测分析是统计学的一个领域，它处理从数据中提取信息并用它们来预测趋势和行为模式。这解释了数据挖掘和预测分析之间的基本区别。

功能

数据挖掘对采集到的数据应用回归和分类等算法来发现隐藏的模式。然而，预测分析将业务知识应用于发现的模式，以获得有效的业务预测。

使用

数据挖掘和基于用途的预测分析还有另一个区别。数据挖掘有助于更好地理解收集到的数据，而预测分析则有助于对未来或未知事件进行预测。

相关专业

尽管数据挖掘是由统计学家和工程师执行的，但预测分析是由业务分析师和其他领域专家执行的。

结论

数据挖掘和预测分析的区别在于，数据挖掘是使用算法和挖掘工具识别数据隐藏模式的过程，而预测分析是将业务知识应用于发现的模式以进行预测的过程。

引用

1.“什么是数据挖掘？”来自WhatIs.com的定义。“SearchSQLServer，可在此处找到。2。”预测分析：“维基百科，维基媒体基金会，26八月2018日，可在这里。 2、“预测分析”，维基百科，维基媒体基金会，8月26日，