数据仓库，OLAP和数据挖掘的比较分析

数据仓库，OLAP和数据挖掘的比较分析应用技术2006数据仓库，0LAP和数据挖掘的比较分析李宪，东北财经大学摘要: 为了从丰富的数据中提取所需的清晰信息，教学数据仓库，OlAP和数据挖掘应运而生. 本文介绍了这三种技术的基本概念，分析了OLAP和数据挖掘之间的关系以涵盖它们与数据仓库之间的关系，并介绍了如何将这三种技术集成到帮助在实际应用中进行决策的关键中. 于: 数据仓库； OLAP； 〜挖融合应用程序，数据仓库，OLA [，以及数据挖掘的基本概念（）olap与数据仓库互补，数据仓库/ 4“（DnmWRreuH ... DW）数据仓库的概念是m数据仓库，由父亲Willi提出| I_ | rlrnorl . 脚卡串面向主胚胎，集成，稳定且可变. 支持决策过程的数据收集[i = ii脚对应于传统中的烟囱...应用程序棚. 每个主” ！类对进入宏分析区域. 集成意味着必须在将数据输入到数据仓库J中之前对数据进行处理. 这是建立数据仓库阵列的关键步骤. 稳定性是指数据仓库的反映. 它是历史数据的内部数据. 数据进入数据仓库后，几乎没有修改或根本没有修改. 数据仓库青蛙水时间的数据收集. 因此，要求存储在其中的数据必须具有历史的本质. ），（）LAI（分析处理），根据委员会OLAt的定义.

OLAP使分析人员能够管理人类城市或高管，以不同角度转换原始fcj = i数据中的信息，这些信息可以被用户快速理解并真正反映企业的维度特征. 融合，交互式访问，从分析到获得一类更好地理解数据的数据分析软件. 它是一个多维分析I: 工具，它提供切片，钻孔，旋转和其他多维数据操作（_）I_AP具有快速，分析，多维和其他特征（3），数据挖掘（DataMinin，DM ）公认的数据挖掘定义. 脚指的是从大量完整，嘈杂，模糊和随机的数据叶中实际使用数据叶以提取人们感兴趣的知识. 这些字段仅适用于事先未知的隐藏鸟类. 是的，充满了有用的信息. 数据挖掘通常分为五步: 确定性分析和H抓取的预测，剑口. 数据挖掘J，数据分析，模型构建，模型验证和评估，模型实现，长川中的数据挖掘算法: L神经繁忙网络，遗传方法，决策扩展，最近邻技术，规则归纳和分析II，数据仓库，O1. AP与数据挖掘之间的关系（1，oIAP与数据挖掘OLAI之间的关系以及数据挖掘是公司的两种数据分析类型之一. f1 =倍数: “日记的位置. 1是否积极进行数据分析该站点是OLAP和数据挖掘最重要的站点. AP工具，普通客户Skull，尤旋健建立了一些信息！

然后四川省内审办将核实这些假设. 被动数据分析； Shugu挖掘是用于挖掘的分析工具，主要是多种挖掘算法，它们可以主动攻击狗鞋中数据挖掘的规律和模式，并积极进行数推分析[2]. 是否受到r1'的限制？IAP是完全由用户驱动的. 在很大程度上，它受用户级别的任命；数据挖掘是由数据驱动的，系统可以根据数据本身的规则自动利用潜在的模式. 1这取决于画笔级别. 3.从数据分析的角度. OLAP位于较浅的级别；数据挖掘可以从更深层次上找到OIAP 1: nl0. 2OO60272牛南闸店J; |. Application Technology 2006 4.从分析的本质出发，OLAP首先建立一系列假设，然后通过OLAP确认或推翻这些假设以获得结论，这实质上是演绎推理的过程；数据挖掘是基于使用不同挖掘算法的数据特征而进行的. 主动探索海量数据中的模型本质上是知识归纳的过程. 尽管从不同的角度和层次分析了数据，但两者之间是互补的. OLAP的分析结果可以添加到系统知识库中，为数据挖掘提供分析依据；通过数据挖掘发现的知识可以指导OLAP分析，并扩展OLAP分析的深度，从而发现OLAP无法找到的更复杂，更详细的信息.

不可否认，两者都有自己的长处和短处. OLAP缺乏灵活性和准确性，并且数据挖掘昂贵且难以实现. 考虑到两者的优缺点olap与数据仓库互补，人们提出了0LAM（0n-LineAnalysisMining，分析挖掘）. OLAM集成了OLAP和数据挖掘的功能，并且具有0. LAP多维分析的线性，灵活性和对数据挖掘的深入数据处理. 在OLAM的帮助下，用户可以在多维的不同部分以不同的抽象级别交互地执行挖掘，并且可以灵活地选择所需的数据挖掘功能并动态交换数据挖掘任务. （二），数据仓库与OLAP，数据挖掘之间的关系这三种是三种不同的信息技术. 数据仓库是一种信息管理技术，是一种从传统开发的决策服务组织. 它是一种存储技术. 它的数据组织存储模式与传统不同. 首先，数据仓库的数据模型是多维数据模型. 数据模型主要解决了如何从多个角度快速查询和显示多个数据，以获得有利于管理决策的信息和知识. 其次，对数据仓库中的数据进行预处理. 它不是原始数据的简单集成，而是通过数据提取（Extmct），转换（Transform）和加载（Load）（称为ETL）进行处理. 分析处理是一种多维数据分析技术. 数据挖掘是一种知识发现技术. 他们负责从丰富的数据中发现有价值的模型. 它们是两种不同的数据分析工具.

尽管它们是三种不同的信息技术，但是它们的目标都是为了辅助决策，因此它们之间有着千丝万缕的联系. 数据仓库具有丰富的数据，但只有通过OLAP和数据挖掘，才能将数据转化为有价值的信息，并能体现出数据仓库的辅助决策功能，否则将永远拥有丰富的数据而缺乏信息否则，尽管OLAP和Data Mining不一定基于数据仓库，但是数据仓库可以提高二者的效率，从而使两者具有更大的开发空间. 对于OLAP，无论使用的存储方法是ROLAP（RelationalOLAP），MOLAP（MultidimensionOLAP）还是HOLAP（HybridOLAP），最终都必须将数据转换为多维数据模型以进行数据分析，并且将星形模型和雪花模型转换为数据仓库都适用于OLAP的多维分析. 对于数据挖掘，如果可以使用数据仓库，则可以简化数据挖掘过程的某些步骤，从而大大提高数据挖掘的效率. 因为数据仓库中的数据已经过预处理，所以它会清理原始数据中的脏数据，统一数据格式并进行一些必要的汇总，并且数据挖掘只需要在此基础上进行进一步的预处理即可. 数据仓库可以为OLAP和数据挖掘提供广泛而高质量的分析数据.

第三，使用数据仓库数据的数据仓库，OLAP和数据挖掘工具的融合应用程序通常可以分为三类: 常规报告查询工具，验证工具和挖掘工具. OLAP和数据挖掘分别代表验证工具和探索工具. 因此，在更成熟的系统中，数据仓库，0 LAP和数据挖掘通常组合为基于数据仓库的数据，OLAP和数据挖掘可以相互补充来分析数据模式. 其中，数据仓库负责以有助于0 LAP和数据挖掘分析的格式存储所需数据，并预处理原始数据. OLAP和数据挖掘负责从不同角度和级别分析预处理的数据，并发现人们关心的模式. 例如，在分析客户关系管理的应用中，数据仓库负责存储“客户”和“产品”两个主要主题的相关数据，而OLAP和数据挖掘则负责分析基本客户信息和购买信息，从而发现客户的购买偏好和损失特征，帮助营销人员有效地对客户进行分类，采用有针对性的营销策略，提高客户满意度并帮助公司留住客户. 由于这三个都是为了辅助决策，因此人们在此基础上添加了模型库，知识库和方法库，从而构建了基于数据仓库+ OLAP +数据挖掘的决策支持系统. 该模型的决策支持系统已成为决策支持系统发展的新模型，由于其强大的辅助决策功能而被广泛使用. 参考文献: [1]马刚，李宏新，杨兴凯. 客户关系管理. 东北财经大学出版社，2005 [2]杨春华. 数据挖掘，OLAP在财务决策中的应用. 会计与通讯，2002.10图书馆和OLAP技术. 计算机仿真，2003.5（主编: 童野民）. 10. 2006N0.2.

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-280803-1.html