เปรียบเทียบวิธี

	การเรียนรู้เชิงรุกแบบ Gradient Boosting	Random Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000s–2010s	2001
ผู้ริเริ่ม	Settles, B. (active learning); Friedman, J. H. (gradient boosting); combined framework developed by the research community	Breiman, L.
ประเภท	Active learning framework with gradient boosting base learner	Ensemble (bagging of decision trees)
แหล่งต้นตำรับ	Settles, B. (2010). Active Learning Literature Survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison.	Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32.
ชื่อเรียกอื่น	AL-GBM, gradient boosting active learner, active gradient boosting, active learning with boosted trees	Rastgele Orman (Random Forest), rastgele orman, random decision forest, bagged tree ensemble
ที่เกี่ยวข้อง	4	4
สรุป	Active Learning Gradient Boosting combines the powerful predictive accuracy of gradient boosted trees with an active learning loop that selects the most informative unlabeled examples for human annotation. By querying only the instances the model is most uncertain about, the method achieves high accuracy with far fewer labeled examples than passive supervised learning.	Random Forest is an ensemble learning method, introduced by Leo Breiman in 2001, that grows many decision trees on bootstrap samples of the data and combines their votes to produce strong classification and regression. By pooling many slightly different trees, it produces more accurate and more stable predictions than any single tree.