1、數據挖掘作為一個新型的跨領域的綜合性學科，一經出現便顯示出其強大的生命力。統計學、數據倉庫和機器學習技術共同構成數據挖掘的三大核心技術，統計方法也是最基本的數據挖掘方法之一，它滲透于數據挖掘領域的各個階段。但從目前國內外的研究現狀看，從事數據挖掘研究的主要是計算機領域的學者和專家，統計學界的學者和專家對數據挖掘的研究相對較少。而隨著數據存儲技術的不斷發(fā)展，可用于數據分析的數據量越來越大，對傳統的統計分析技術提出了極大的挑戰(zhàn)。 本

2、文嘗試從統計學的角度對數據挖掘進行應用性研究，使統計學方法適應數據量變化，繼續(xù)發(fā)揮其處理數據、分析數據的重要作用，并期望能對統計學理論在數據挖掘方向的發(fā)展做出探索。 首先，針對目前數據挖掘大多側重于算法設計及實現的現狀，本文著重歸納總結了國內外統計學領域的專家、學者在數據挖掘方面的探索和取得的成果，奠定了本文的理論基礎。然后分別從內涵、區(qū)別、聯系等方面對統計學與數據挖掘的關系進行了詳盡對比分析，以釋清疑惑，明確本文的出發(fā)點。接下

3、來著重從統計學的角度對數據挖掘中主要的技術和方法進行綜述，其中既有對數據挖掘中使用的傳統統計方法的概括，也有對其它領域的數據挖掘技術、方法的統計學角度的嘗試性闡釋，最后還給出了評價各種數據挖掘方法的統計學標準。 實證部分是本文的重點章節(jié)，在結構方面，依據統計學的理論框架分為了描述性數據挖掘與預測性數據挖掘兩部分。在描述性數據挖掘中利用統計學的思維和方法對原始數據進行了大量探索性分析（一元分析、二元分析、多元分析），從而對待挖掘的

4、數據有了一個整體的概括性了解，便于進一步明確挖掘的思路及所用的方法。隨后將質量指標（電影評分值）與數量指標（觀看數量）相結合并引進概率理論建立了用戶類興趣評價模型，實現了第一步的挖掘任務。在預測性數據挖掘階段針對現有聚類方法及統計軟件無法實現動態(tài)聚類的不足，根據聚類分析的基本思想及此次挖掘任務的特殊要求提出了改進后的動態(tài)聚類分析方法，并將其利用MATLAB編程實現。另外，在整個挖掘過程中為適應各種挖掘方法的需要，對數據進行了一系列的創(chuàng)造

5、性的編程處理，隨后綜合運用了當今的主流統計軟件SPSS15．0以及數據挖掘軟件SPSS Clementine12．0、SQL2005 Busyness Miner、Markway3．0，進行了關聯規(guī)則挖掘及決策樹的建立并用于預測，對于上述軟件無法解決的任務同時輔以MATLAB7．0編程來綜合實現。 統計學如何為數據挖掘服務，這是在“數據挖掘”飛速發(fā)展的今天，統計工作者必須回答的一個問題。隨著統計學與現代信息技術的融合，數據挖掘技