เปรียบเทียบวิธี

	การถดถอยโลจิสติกแบบรวม (Ensemble Logistic Regression)	Boosting
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1996–2000s	1990–1997
ผู้ริเริ่ม	Breiman, L. (bagging); broader ensemble literature	Schapire, R. E.; Freund, Y.
ประเภท	Ensemble of logistic regression classifiers	Sequential ensemble (iterative reweighting)
แหล่งต้นตำรับ	Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140.	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.
ชื่อเรียกอื่น	logistic regression ensemble, bagged logistic regression, aggregated logistic regression, logistic ensemble classifier	AdaBoost, gradient boosting, iterative reweighting ensemble, sequential ensemble
ที่เกี่ยวข้อง	6	6
สรุป	Ensemble Logistic Regression trains multiple logistic regression classifiers on varied subsets or perturbations of the training data and combines their probability estimates by averaging or voting. The approach preserves logistic regression's probabilistic interpretability while reducing variance and improving predictive stability through aggregation.	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.