เปรียบเทียบวิธี

	การรวมแบบจำลองแบบเบย์ (Bayesian Stacking Ensemble)	Bagging (Bootstrap Aggregating)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018	1996
ผู้ริเริ่ม	Yao, Y.; Vehtari, A.; Simpson, D.; Gelman, A.	Breiman, L.
ประเภท	Bayesian ensemble combination	Ensemble meta-algorithm (variance reduction via bootstrap aggregation)
แหล่งต้นตำรับ	Yao, Y., Vehtari, A., Simpson, D., & Gelman, A. (2018). Using stacking to average Bayesian predictive distributions. Bayesian Analysis, 13(3), 917–1007.	Breiman, L. (1996). Bagging Predictors. Machine Learning, 24(2), 123–140.
ชื่อเรียกอื่น	Bayesian stacking, Bayesian model stacking, stacking with Bayesian weights, predictive distribution stacking	Bootstrap Aggregating, bootstrap aggregation, bagged ensemble, bagged predictor
ที่เกี่ยวข้อง	6	5
สรุป	Bayesian stacking combines the predictive distributions of several base models by finding non-negative weights that maximise the leave-one-out log predictive score of the mixture. Formalised by Yao, Vehtari, Simpson, and Gelman (2018), it yields a single calibrated predictive distribution that is provably at least as good as any single constituent model under cross-validation.	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.