เปรียบเทียบวิธี

	อัลกอริทึม Apriori แบบ Ensemble	Bagging (Bootstrap Aggregating)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1994 (Apriori base); ensemble extensions 2000s–2010s	1996
ผู้ริเริ่ม	Agrawal, R. & Srikant, R. (Apriori base); ensemble extension by multiple researchers	Breiman, L.
ประเภท	Ensemble / Frequent Pattern Mining	Ensemble meta-algorithm (variance reduction via bootstrap aggregation)
แหล่งต้นตำรับ	Agrawal, R. & Srikant, R. (1994). Fast algorithms for mining association rules. Proceedings of the 20th International Conference on Very Large Data Bases (VLDB), 1215, 487–499.	Breiman, L. (1996). Bagging Predictors. Machine Learning, 24(2), 123–140.
ชื่อเรียกอื่น	Ensemble Apriori, Ensemble Association Rule Mining, EAR mining, Distributed Apriori Ensemble	Bootstrap Aggregating, bootstrap aggregation, bagged ensemble, bagged predictor
ที่เกี่ยวข้อง	5	5
สรุป	The Ensemble Apriori Algorithm applies ensemble principles to the classic Apriori frequent-pattern miner by running multiple Apriori instances on different data partitions or parameter settings and merging their rule sets. This approach improves coverage, reduces sensitivity to the minimum-support threshold, and scales association rule mining to larger transactional datasets.	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.