เปรียบเทียบวิธี

	การรวมแบบจำลองแบบเบย์ (Bayesian Stacking Ensemble)	การซ้อนทับ
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018	1992
ผู้ริเริ่ม	Yao, Y.; Vehtari, A.; Simpson, D.; Gelman, A.	Wolpert, D.H.
ประเภท	Bayesian ensemble combination	Ensemble (heterogeneous meta-learning)
แหล่งต้นตำรับ	Yao, Y., Vehtari, A., Simpson, D., & Gelman, A. (2018). Using stacking to average Bayesian predictive distributions. Bayesian Analysis, 13(3), 917–1007.	Wolpert, D.H. (1992). Stacked Generalization. Neural Networks, 5(2), 241–259.
ชื่อเรียกอื่น	Bayesian stacking, Bayesian model stacking, stacking with Bayesian weights, predictive distribution stacking	Stacking (Yığınlama — Meta-Öğrenme), stacked generalization, meta-learning ensemble, super learner
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.	Stacking, or stacked generalization, is an ensemble method introduced by David Wolpert in 1992 that combines the outputs of several different base models (Level-0) through a separate meta-model (Level-1). Unlike bagging and boosting, it deliberately uses heterogeneous model types, and it is the standard final-stage strategy in Kaggle competitions.