เปรียบเทียบวิธี

	Bayesian Boosting	การเสริมกำลังไล่ระดับ	การบูสต์แบบกึ่งมีผู้สอน (Semi-supervised Boosting)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning	Machine learning
ปีกำเนิด	1999–2010	2001	1999–2009
ผู้ริเริ่ม	Ridgeway, G.; Chipman, H. A. et al.	Friedman, J. H.	Mallapragada, P. K.; Bennett, K. P.; and others
ประเภท	Probabilistic ensemble (Bayesian interpretation of boosting)	Ensemble (sequential boosting of decision trees)	Semi-supervised ensemble method
แหล่งต้นตำรับ	Ridgeway, G. (1999). The state of boosting. Computing Science and Statistics, 31, 172–181.	Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232.	Mallapragada, P. K., Jin, R., Jain, A. K., & Liu, Y. (2009). SemiBoost: Boosting for Semi-supervised Learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(11), 2000–2014.
ชื่อเรียกอื่น	Bayesian ensemble boosting, probabilistic boosting, Bayesian additive model, Bayesian boosted ensemble	Gradient Boosting (GBM), GBM, gradient boosted trees, gradient boosting machine	SemiBoost, SSL boosting, boosting with unlabeled data, semi-supervised ensemble boosting
ที่เกี่ยวข้อง	5	5	5
สรุป	Bayesian boosting integrates probabilistic Bayesian inference with boosting ensemble techniques, combining multiple weak learners while maintaining full uncertainty quantification over predictions. Unlike standard gradient boosting that produces a single point estimate, Bayesian boosting yields a posterior distribution over the ensemble output, enabling calibrated confidence intervals alongside predictions.	Gradient Boosting is an ensemble learning method, formalised by Jerome H. Friedman in 2001, that combines a sequence of weak learners — typically shallow decision trees — so that each new tree is fitted to minimise the residual errors of the trees before it. It is the core algorithm behind popular implementations such as XGBoost, LightGBM and CatBoost.	Semi-supervised Boosting is an ensemble learning paradigm that extends classical boosting algorithms — such as AdaBoost — to exploit both labeled and unlabeled data. By propagating label information through a similarity structure over unlabeled instances, it trains stronger classifiers than supervised boosting alone when labeled data are scarce.