เปรียบเทียบวิธี

	การถดถอยเชิงเส้นแบบรวมกลุ่ม	การรวมแบบลงคะแนน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1996	1990s–2004
ผู้ริเริ่ม	Breiman, L. (bagging framework)	Lam & Suen; Kuncheva, L. I. (systematic treatment)
ประเภท	Ensemble of linear models	Ensemble (combination of multiple classifiers by vote)
แหล่งต้นตำรับ	Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140.	Kuncheva, L. I. (2004). Combining Pattern Classifiers: Methods and Algorithms. Wiley-Interscience. ISBN: 978-0-471-21078-8
ชื่อเรียกอื่น	bagged linear regression, aggregated linear regression, stacked linear models, bootstrap-aggregated OLS	majority voting classifier, hard voting, soft voting ensemble, plurality voting ensemble
ที่เกี่ยวข้อง	6	5
สรุป	Ensemble Linear Regression combines multiple ordinary least-squares models — each fitted on a different bootstrap sample or feature subset — and averages their predictions. The technique, grounded in Breiman's bagging framework (1996), reduces variance and improves predictive stability compared with a single linear regression fit, while retaining the interpretability of linear assumptions.	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.