เปรียบเทียบวิธี

	Boosting	Online Random Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1990–1997	2009
ผู้ริเริ่ม	Schapire, R. E.; Freund, Y.	Saffari, A. et al.
ประเภท	Sequential ensemble (iterative reweighting)	Incremental ensemble (streaming decision trees)
แหล่งต้นตำรับ	Freund, Y. & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119–139.	Saffari, A., Leistner, C., Santner, J., Godec, M., & Bischof, H. (2009). On-line random forests. In Proceedings of the 3rd IEEE International Workshop on On-Line Learning for Computer Vision (OLCV 2009), pp. 1–8. IEEE.
ชื่อเรียกอื่น	AdaBoost, gradient boosting, iterative reweighting ensemble, sequential ensemble	ORF, streaming random forest, incremental random forest, adaptive random forest
ที่เกี่ยวข้อง	6	6
สรุป	Boosting is a sequential ensemble technique that converts many simple, barely-better-than-chance learners into a single highly accurate model by repeatedly focusing training on the examples that previous learners got wrong, then combining all learners with weights proportional to their individual accuracy.	Online Random Forest (ORF) extends the classic Random Forest to streaming settings, updating each tree incrementally as new observations arrive without storing or replaying the full training set. Algorithms such as Adaptive Random Forests (ARF) add drift detection so the ensemble adapts when the data distribution changes over time.