正确答案是 D) SQL查询优化。数据挖掘是从大量数据中发现隐含的、先前未知的、潜在有用模式或知识的过程其核心任务包括分类如预测客户是否会流失聚类如将用户分群关联规则发现如“啤酒与尿布”关系此外还有回归、异常检测、序列模式挖掘、文本挖掘等。而SQL查询优化属于数据库管理系统DBMS的查询处理与性能调优范畴目标是提升查询执行效率如选择索引、重写执行计划不涉及从数据中发现新知识或模式因此不属于数据挖掘任务。回归分析属于数据挖掘任务是因为它旨在从历史数据中学习变量间的潜在关系模型并用于预测未知样本的连续型目标值如房价、销售额、用户停留时长具有模式发现、泛化能力和知识产出特征——这正是数据挖掘的核心目标从海量数据中提取隐含的、可操作的、非平凡的知识。而简单的统计描述如均值、标准差、频数统计属于描述性统计Descriptive Statistics其作用是概括已有数据的基本特征不构建模型、不进行预测、不推断未知、也不挖掘变量间复杂依赖关系。它缺乏“发现新知识”的挖掘本质仅是对数据表层的总结属于数据分析的初级阶段而非数据挖掘。简言之✅ 回归分析 → 建模 泛化 预测 → 发现规律 → 属于数据挖掘❌ 均值计算 → 汇总已知 → 无模型/无泛化 → 描述现状 → 不属于数据挖掘但常作为预处理或探索性分析步骤。数据挖掘中的预测性任务Predictive Tasks与描述性任务Descriptive Tasks在目标、建模逻辑、输出形式及评估方式上存在本质差异目标差异预测性任务如分类、回归目标是构建一个能泛化到未见样本的模型以准确预测未知实例的目标变量值离散类标号或连续数值。强调“未来推断”和“因果/相关关系建模”。描述性任务如聚类、关联规则、序列模式目标是发现数据内在结构或共现规律帮助理解数据分布、分组特征或行为模式不预设目标变量不进行外推预测重在“解释现状”与“知识发现”。评估方式差异任务类型典型评估指标说明预测性分类准确率、精确率、召回率、F1-score、AUC基于已知真值标签ground truth对比预测结果依赖标注数据集和严格划分的训练/测试集。预测性回归RMSE、MAE、R²、MAPE衡量预测值与真实连续值之间的误差大小同样需真实标签。描述性聚类轮廓系数、Calinski-Harabasz指数、Davies-Bouldin指数无监督评估仅基于数据本身结构如簇内紧密度、簇间分离度无需真实标签若有人工标注可用ARI、NMI等外部指标辅助验证。描述性关联规则支持度support、置信度confidence、提升度lift基于规则在数据中的统计显著性与实用性判断强调业务可解释性与意外性而非“对错”无标准真值对照。✅ 关键区别总结预测性任务 有监督 目标导向 可验证性高有黄金标准描述性任务 常无监督 探索导向 评估具主观性/多维性结构语义业务价值。
)
