提示：以下是本篇文章正文内容，下面案例可供参考

数据分析更多采用统计学的知识，对源数据进行描述性和探索性分析，从结果中发现价值信息来评估和修正现状。而数据挖掘不仅仅用到统计学的知识，还要用到机器学习的知识，这里会涉及到模型的概念。数据挖掘具有更深的层次，来发现未知的规律和价值

数据挖掘(Data Mining)就是从大量的数据中，提取隐藏在其中的，事先不知道的、但潜在有用的信息的过程。（简单讲：从海量数据中找到有价值的金矿）

频繁模式、分类与回归、聚类分析、离群点分析

对于向量x和y，计算指定的相似性或距离度量 求x=(1,1,1,1)，y=(2,2,2,2)的余弦相似度、欧几里得距离。

数据清洗：去掉数据中的噪声，纠正不一致

数据集成：将多个数据源合并成一致的数据存储，构成一个完整的数据集

数据转换：将一种格式的数据转换成另一种格式的数据

数据规约：通过聚集、删除冗余属性或聚类等方法来压缩数据

数据预处理的目的是使得数据更易于数据挖掘模型处理

数值属性：概念分层可以根据数据的分部自动地构造 分类属性：如果分类属性是序数属性，可以使用类似于处理连续属性方法的技术以减少分类值的个数 如果分类属性是标称的或者无序的，就需要使用其他方法。

引例：使用例3.2中的数据，求出距离阈值为6，非邻点样本的阈值部分为2的噪声数据。

用等宽分箱技术对排序后的数据集D=(0，0，2，2，2，4，8，8，8，12，12，12，12，15，15，16，16，16，16，21，21，21，25，25，25，25，25，28，28，29，34，34，34，34，37，37，44，44，44，58，58，58，58，58，63，63，66，66，66，69，74，74，74，78，78)进行离散化，使得每箱宽度不大于5，形成概念分层。

1.数据库存储的是原始数据，没有经过任何加工； 数据仓库是为了满足数据分析需要设计的， 对源数据进行了ELT过程，数据抽取工作分抽取、清洗、转换、装载

2.数据仓库的数据量要比数据库大很多

数据从操作型数据库、文件、网络等数据源，通过ETL集成工具进行数据抽取、清洗、转换、加载等工作，进入到数据仓库和数据集市中，进而通过OLAP服务器支持前台的多维分析，查询报表、数据挖掘等操作

概念模型设计、技术准备工作、逻辑模型设计、物理模型设计、数据仓库生成、数据仓库运行与维护

数据仓库与OLAP的关系是互补的，现代OLAP系统一般以数据仓库为基础，即从数据仓库中抽取详细数据的一个子集并经过必要的聚集存储到OLAP存储器中供前端分析工具读取

OLAP允许用户从多种角度分析多维数据，包括以下五种基本操作：上卷、下钻、切片、切块、旋转