เปรียบเทียบวิธี

	การรวมแบบจำลองแบบเบย์ (Bayesian Stacking Ensemble)	การรวมแบบลงคะแนน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018	1990s–2004
ผู้ริเริ่ม	Yao, Y.; Vehtari, A.; Simpson, D.; Gelman, A.	Lam & Suen; Kuncheva, L. I. (systematic treatment)
ประเภท	Bayesian ensemble combination	Ensemble (combination of multiple classifiers by vote)
แหล่งต้นตำรับ	Yao, Y., Vehtari, A., Simpson, D., & Gelman, A. (2018). Using stacking to average Bayesian predictive distributions. Bayesian Analysis, 13(3), 917–1007.	Kuncheva, L. I. (2004). Combining Pattern Classifiers: Methods and Algorithms. Wiley-Interscience. ISBN: 978-0-471-21078-8
ชื่อเรียกอื่น	Bayesian stacking, Bayesian model stacking, stacking with Bayesian weights, predictive distribution stacking	majority voting classifier, hard voting, soft voting ensemble, plurality voting ensemble
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.	A voting ensemble trains several diverse classifiers independently and combines their predictions by a vote: hard voting picks the class chosen by the most models, while soft voting averages their class-probability estimates, optionally with per-model weights. The combination usually outperforms any individual member, and requires no additional training after the base models are fitted.