เปรียบเทียบวิธี

	Ensemble Gaussian Process	การรวมแบบลงคะแนน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000–2015	1990s–2004
ผู้ริเริ่ม	Tresp, V. (committee formulation); Deisenroth, M. P. & Ng, J. W. (distributed formulation)	Lam & Suen; Kuncheva, L. I. (systematic treatment)
ประเภท	Ensemble of probabilistic surrogate models	Ensemble (combination of multiple classifiers by vote)
แหล่งต้นตำรับ	Tresp, V. (2000). A Bayesian Committee Machine. Neural Computation, 12(11), 2719–2741.	Kuncheva, L. I. (2004). Combining Pattern Classifiers: Methods and Algorithms. Wiley-Interscience. ISBN: 978-0-471-21078-8
ชื่อเรียกอื่น	Gaussian Process ensemble, GP committee machine, distributed GP, mixture of GPs	majority voting classifier, hard voting, soft voting ensemble, plurality voting ensemble
ที่เกี่ยวข้อง	4	5
สรุป	Ensemble Gaussian Process trains multiple independent GP experts on data subsets or overlapping regions, then combines their posterior predictions — means and variances — into a single probabilistic forecast. This approach retains the calibrated uncertainty estimates of standard GPs while overcoming their O(n³) cubic cost bottleneck, making probabilistic regression practical on datasets with thousands to millions of observations.	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.