爱华网许多人把数据挖掘视为另一个常用的术语数据中的知识发现或KDD的同义词，而另一些人只是把数据挖掘视为知识发现过程的一个基本步骤。知识发现过程如图1-4所示，由以下步骤的迭代序列组成：
1.数据清理（消除噪声和不一致数据）
2.数据集成（多种数据源可以组合在一起）
3. 数据选择（从数据库中提取与分析任务相关的数据)
图1-3数据挖掘：在你的数据中搜索知识（有趣的模式）
图1-4数据挖掘作为知识发现过程的一个步骤
4.数据变换（数据变换或统一成适合挖掘的形式，如通过汇总或聚集操作）
5.数据挖掘（基本步骤，使用智能方法提取数据模式)
6.模式评估（根据某种兴趣度度量，识别表示知识的真正有趣的模式；见1.5节)
7.知识表示（使用可视化和知识表示技术，向用户提供挖掘的知识)
步骤1～4是数据预处理的不同形式，为挖掘准备数据。数据挖掘步骤可能与用户或知识库交互。有趣的模式提供给用户，或作为新的知识存放在知识库中。注意，根据这种观点，数据挖掘只是整个过程中的一个步骤，尽管是最重要的步骤，因为它发现用来评估的隐藏的模式。
我们同意数据挖掘是知识发现过程的一个步骤。然而，在产业界、媒体和数据库研究界，术语数据挖掘比长术语从数据中发现知识更流行。因此，本书选用术语数据挖掘。我们采用数据挖掘功能的广义观点：数据挖掘是从存放在数据库、数据仓库或其他信息库中的大量数据中发现有趣知识的过程。基于这种观点，典型的数据挖掘系统具有以下主要成分（见图1-5)：
图1-5 典型数据挖掘系统的结构
"数据库、数据仓库、万维网或其他信息库：这是一个或一组数据库、数据仓库、电子数据表或其他类型的信息库。可以对这些数据进行数据清理和集成。
" 数据库或数据仓库服务器：根据用户的数据挖掘请求，数据库或数据仓库服务器负责提取相关数据。
"知识库：这是领域知识，用于指导搜索或评估结果模式的兴趣度。这种知识可能包括概念分层，用于将属性或属性值组织成不同的抽象层。用户信念知识也可以包含在内，可以使用这种知识，根据非期望性评估模式的兴趣度。领域知识的其他例子包括附加的兴趣度约束或阈值，以及元数据（例如，描述来自多个异构数据源的数据）。
"数据挖掘引擎：这是数据挖掘系统的基本部分，理想情况下由一组功能模块组成，用于执行特征化、关联和相关分析、分类、预测、聚类分析、离群点分析和演变分析等任务。
"模式评估模块：通常，该成分使用兴趣度度量（见1.5节），并与数据挖掘模块交互，以便将搜索聚焦在有趣的模式上。它可能使用兴趣度阈值过滤已发现的模式。模式评估模块也可以与挖掘模块集成在一起，这依赖于所用的数据挖掘方法的实现。对于有效的数据挖掘，建议尽可能深入地将模式评估兴趣度推进到挖掘过程之中，以便将搜索限制在有趣的模式上。
"用户界面：该模块在用户和数据挖掘系统之间通信，允许用户与系统交互，说明数据挖掘查询或任务，提供信息以帮助搜索聚焦，根据数据挖掘的中间结果进行探索式数据挖掘。此外，该成分还允许用户浏览数据库和数据仓库模式或数据结构，评估挖掘的模式，以不同的形式对模式可视化。
从数据仓库观点来看，数据挖掘可以看作联机分析处理（OLAP）的高级阶段。然而，通过结合更高级的数据分析技术，数据挖掘比数据仓库系统的汇总型分析处理的狭窄领域走得更远。
尽管市场上已有许多“数据挖掘系统”，但是并非所有的系统都能进行真正的数据挖掘。不能处理大量数据的数据分析系统，最多称作机器学习系统、统计数据分析工具或实验系统原型。一个系统只能够进行数据或信息检索，包括在大型数据库找出聚集值或回答演绎查询，更应归类为数据库系统，或信息检索系统，或演绎数据库系统。
数据挖掘涉及多学科技术的集成，包括数据库和数据仓库技术、统计学、机器学习、高性能计算、模式识别、神经网络、数据可视化、信息检索、图像与信号处理以及空间或时间数据分析。在本书讨论数据挖掘时，我们采用数据库观点。也就是说，着重强调有效的和可伸缩的数据挖掘技术。一个算法是可伸缩的（scalable)是指，如果给定内存和磁盘空间等可利用的系统资源，其运行时间应当随数据的规模近似线性地增加。通过数据挖掘，可以从数据
库提取有趣的知识、规律或高层信息，并可以从不同角度观察或浏览它们。发现的知识可以用于做决策、过程控制、信息管理和查询处理。因此，数据挖掘在信息和数据库系统方面是最重要的前沿之一，是信息技术最有发展前途的交叉学科之一。
