显然，大数据的模型方法与这里列出的已有科学模型方法均不相 同，是一种新型的模型方法，更多地体现为一种经验模型。
4.2 大数据模型与统计建模比较，也有本质的不同
数据挖掘作为一个多学科交叉的领域，涉及到数据库、统计学、机器学习等领域;从模型方法的角度来看，其中最为相近的是统计学。尽管数据挖掘涉及一定的统计基础，但数据挖掘与统计建模还是有本质的区别。
首先，科学研究中的地位不同。统计建模经常是经验研究和理论研究的配角和检验者，而在大数据的科学研究中，数据模型就是主角，模型承担了科学理论的角色。
其次，数据类型不同。统计建模的数据通常是精心设计的实验数据，具有较高的质量;而大数据中则是海量数据，往往类型杂多，质量较低。
再次，确立模型的过程不同。统计建模的模型是根据研究问题而确定的，目标变量预先已经确定好;大数据中的模型则是通过海量数据确定的，且部分情况下目标变量并不明确。
最后，建模驱动不同。统计建模是验证驱动，强调的是先有设计再通过数据验证设计模型的合理性;而大数据模型是数据驱动，强调的是建模过程以及模型的可更新性。
由此可见，尽管大数据与统计建模均是从数据中获取模型，但两者具有很大的区别，大数据带来的是一种新的模型方法，大数据中的模型是数据驱动的经验模型。
5. 大数据与哲学联系——数据挖掘的过程就是认识论的过程
近现代科学最重要的特征是寻求事物的因果性。无论是唯理论还是经验论，事实上都在寻找事物之间的因果关系，区别只在寻求因果关系的 方式不同。大数据最重要的特征是重视现象间的相关关系，并试图通过变量之间的依随变化找寻它们的相关性，从而不再一开始就把关注点放在内在的因果性上，这是对因果性的真正超越。科学知识从何而来?传统哲学认为要么来源于经验观察，要么来源于所谓的正确理论，大数据则通过数据挖掘“让数据发声”，提出了全新 的“科学始于数据”这一知识生产新模式。
由此，数据成了科学认识的基础，而云计算等数据挖掘手段将传统的经验归纳法发展为“大数据归纳法”，为科学发现提 供了认知新途径。大数据通过海量数据来发现事物之间的相关关系，通过数据挖掘从海量数据中寻找蕴藏其中的数据规律，并利用数据之间的相关关系来解释过去、 预测未来，从而用新的数据规律补充传统的因果规律。大数据给传统的科学认识论提出了新问题，也带来了新挑战。
一方面，大数据用相关性补充了传统认识论对因 果性的偏执，用数据挖掘补充了科学知识的生产手段，用数据规律补充了单一的因果规律，实现了唯理论和经验论的数据化统一，形成了全新的大数据认识论;
另一 方面，由相关性构成的数据关系能否上升为必然规律，又该如何去检验，仍需要研究者作出进一步思考。
大风大浪中，有时也需要清清心，喝杯茶。