概念描述：面向数据库的方法与机器学习的方法比较

1. 面向数据库的方法：面向大型数据库的概念描述的概化方法

使用基于数据立方体的方法 或者 面向属性的归纳的方法

2. 机器学习：使用示例学习的范例，在概念集或标定训练样本集上进行，通过检验这些集合在学习中导出关于描述类的假定

差异：

所用的基本原理不同，关于概念描述的基本假定也不同

1） 在示例学习的范例中，分析样本划分为两个集合：正样本和负样本，正样本用于概化，负样本用于特化，最后的概念描述会覆盖所有正样本而不覆盖任何负样本

2） 在面向数据库的方法中，只存在正样本，因此大部分面向数据库的方法都是基于概化的（使用该方法时，下钻操作用于回溯到前一状态的概化过程）

训练样本集大小上的差异

1） 机器学习训练样本集小，容易找到覆盖所有正样本而不覆盖任何负样本的描述

2） 面向数据库的方法通常面对大量数据，因此概念描述的目标是尽量的涵盖正面数据（概率分布）

所使用的概化方法不同

1） 机器学习方法是逐个元组的进行概化

2） 面向数据库的方法是逐个属性（或维）的进行概化，从而使得数据挖掘的过程能够与面向集合的数据库操作集成