เปรียบเทียบวิธี

	Bagging (Bootstrap Aggregating)	XGBoost
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1996	2016
ผู้ริเริ่ม	Breiman, L.	Chen, T. & Guestrin, C.
ประเภท	Ensemble meta-algorithm (variance reduction via bootstrap aggregation)	Ensemble (gradient-boosted decision trees)
แหล่งต้นตำรับ	Breiman, L. (1996). Bagging Predictors. Machine Learning, 24(2), 123–140.	Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794.
ชื่อเรียกอื่น	Bootstrap Aggregating, bootstrap aggregation, bagged ensemble, bagged predictor	XGBoost, extreme gradient boosting, scalable tree boosting
ที่เกี่ยวข้อง	5	5
สรุป	Bagging, short for Bootstrap Aggregating, is an ensemble meta-algorithm introduced by Leo Breiman in 1996 that trains multiple copies of a base learner on independently drawn bootstrap samples of the training data and combines their predictions — by averaging for regression or majority vote for classification — to produce a final predictor with substantially lower variance than any single base learner.	XGBoost (Extreme Gradient Boosting) is a scalable tree-boosting algorithm introduced by Tianqi Chen and Carlos Guestrin in 2016. It builds a strong predictor by adding decision trees one at a time, each correcting the errors left by the trees before it, and is a powerful prediction method widely used in competitions.