典型的例子就是比較神奇的神經網路挖掘技術，這個技術裡面有乙個隱蔽層，這個隱蔽層的存在的意義就是沒有人能在所有的情況下讀懂裡面的非線性函式是如何對自變數進行組合的。在實踐應用中，這種情況常會讓習慣統計分析公式的分析師或者業務人員感到困惑，這也確實影響了模型在實踐應用中的可理解性和可接受度。
如果我們換種思維方式從實戰的角度考慮的話，那麼我們只要模型能正確**客戶行為，這樣就能為精細化運營提供準確的細分人群和目標客戶，業務部門、運營部門不了解模型的技術細節。而在實踐應用中，統計分析常需要分析人員先做假設或判斷，然後利用資料分析技術來驗證該假設是否成立。而在資料探勘中，分析人員並不需要對資料的內在關係做任何假設或判斷，而是會讓挖掘工具中的演算法自動去尋找資料中隱藏的關係或規律。由此可見，資料探勘和資料分析兩者的思維方式並不相同，這給資料探勘帶來了更靈活、更寬廣的思路和舞台。
所以我們在進行資料探勘工作或者資料分析中針對具體的業務分析需求，先確定分析思路，然後根據這個分析思路去挑選和匹配合適的分析演算法、分析技術、而且乙個具體的分析需求一般都會有兩種以上不同的思路和演算法可以去探索，從而決定最終的思路、演算法和解決方案。
資料分析和資料探勘
什麼是資料分析與資料探勘 資料分析 對已知資料進行分析，然後提取一些有價值的資訊 比如 統計出平均數 標準差等資訊 資料探勘 對大量的資料進行分析挖掘，得到一些未知的，有價值的資訊等。比如從 的使用者或使用者行為資料中挖掘出使用者其潛在需求資訊，從而對 進行改善 已知到未知 關係 資料分析和資料探勘...
資料分析和資料探勘的區別是什麼？
就目前而言，大資料 資料分析 物聯網 人工智慧的不斷發展使得各行各業積累了很多的原始資料，尤其是在這個網際網路時代中，資料不斷的擴大。對於資料的正誤以及是夠有價值都是比較重要的，於是就有了資料分析這個行業，但是資料行業的新人對於資料分析和資料探勘不是很清楚多了，那麼現在就給大家講講資料分析和資料探勘...
資料分析和資料探勘相關模組
numpy 一般使用 numpy mklpandas 資料分析和處理模組，能為複雜情形下的資料提供堅實的基礎分析功能scipy 支援數值計算，支援矩陣運算，提供高等數學處理 積分 傅利葉變換 微分方程求解matplotlib 資料成圖模組，解決資料視覺化statsmodels 注重資料統計建模分析的...