เปรียบเทียบวิธี

	การรวมกลุ่มแบบแบ็กกิง	XGBoost
สาขาวิชา	การเรียนรู้แบบรวมกลุ่ม	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1996	2016
ผู้ริเริ่ม	Leo Breiman	Chen, T. & Guestrin, C.
ประเภท	parallel ensemble	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	XGBoost, extreme gradient boosting, scalable tree boosting
ที่เกี่ยวข้อง	4	5
สรุป	Bagging, short for bootstrap aggregating, is an ensemble method that reduces variance by training multiple copies of a single learning algorithm on different random subsets of the training data. Each subset is created via bootstrap sampling—randomly drawing samples with replacement. Predictions are combined through majority voting (classification) or averaging (regression). Introduced by Leo Breiman in 1996, bagging forms the foundation for random forests and is particularly effective for reducing overfitting in high-variance models.	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.