它们是同一回事，但重要的是您要了解统计学派和数据挖掘学派之间的过程差异。在数据挖掘中，我们估算和近似关系，其中一些关系是确定的并且具有精确的计算。显然，精确计算总是比近似关系更好。

金融中的一个例子：债券价格有精确的计算——它们遵循一定的关系。只是贴现现金流。其他类型的证券可能需要推断，因为绝对关系未知，可能是因为现金流或利率未知。

基于证据或观察的经验手段。你正在测试一些东西。有可能通过模拟生成数据——这在遗传模型中很常见——这在现实生活中是观察不到的。在那种情况下，您的数据驱动模型将不是经验性的。

em·pir·i·cal /əmˈpirik(ə)l/ | 形容词 | 基于、关注或可通过观察或经验而不是理论或纯逻辑来验证。“他们提供了大量的经验证据来支持他们的论点”

数据挖掘与统计：

通常，您在统计学（与数据科学/数据挖掘相反）中尝试做的是首先提出明确的数学模型，然后根据经验对其进行测试。如果这种关系在统计上显着，那么它被认为是一个好的模型。

在数据挖掘中，您首先寻找推断的关系，并且无法测试它们。

只是为迈克尔的回答添加一些背景信息：经验是一个更笼统的术语，它描述了一种基于观察/经验的科学方法，而不是理论。

经验方法存在很长时间，并且可以在许多不同的情况下使用，包括当过程是手动的并且观察不是很正式的时候（例如心理学中的感觉）。

数据驱动是最近出现的一个术语，通常指的是机器学习（尽管不是唯一的），即使用一组正式的观察来构建感兴趣人群的表示（通常通过自动化方法）。因此，数据驱动可以看作是经验方法的正式版本，通常是自动版本。