เปรียบเทียบวิธี

	การเรียนรู้เชิงรุกแบบการลงคะแนนของคณะกรรมการ	Boosting
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1992	1990–1997
ผู้ริเริ่ม	Seung, H. S., Opper, M., & Sompolinsky, H.	Schapire, R. E.; Freund, Y.
ประเภท	Active learning with ensemble voting	Sequential ensemble (iterative reweighting)
แหล่งต้นตำรับ	Seung, H. S., Opper, M., & Sompolinsky, H. (1992). Query by committee. In Proceedings of the Fifth Annual Workshop on Computational Learning Theory (COLT '92), pp. 287–294. ACM.	Freund, Y. & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119–139.
ชื่อเรียกอื่น	Query by Committee, QBC, active ensemble learning, committee-based active learning	AdaBoost, gradient boosting, iterative reweighting ensemble, sequential ensemble
ที่เกี่ยวข้อง	5	6
สรุป	Active Learning Voting Ensemble — formally known as Query by Committee — is an active learning strategy that trains a committee of diverse models and selects the unlabeled examples where the committee members disagree most for human annotation. By focusing labeling effort on the most informative points, it achieves high accuracy with far fewer labeled examples than passive learning requires.	Boosting is a sequential ensemble technique that converts many simple, barely-better-than-chance learners into a single highly accurate model by repeatedly focusing training on the examples that previous learners got wrong, then combining all learners with weights proportional to their individual accuracy.