เปรียบเทียบวิธี

	Ensemble Support Vector Machine	Bagging (Bootstrap Aggregating)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000–2003	1996
ผู้ริเริ่ม	Kim, H.-C. et al.; Dietterich, T. G.	Breiman, L.
ประเภท	Ensemble of SVMs (bagging, voting, or stacking)	Ensemble meta-algorithm (variance reduction via bootstrap aggregation)
แหล่งต้นตำรับ	Kim, H.-C., Pang, S., Je, H.-M., Kim, D., & Bang, S. Y. (2002). Constructing support vector machine ensemble. Pattern Recognition, 36(12), 2757–2767.	Breiman, L. (1996). Bagging Predictors. Machine Learning, 24(2), 123–140.
ชื่อเรียกอื่น	Ensemble SVM, SVM ensemble, bagged SVM, SVM committee machine	Bootstrap Aggregating, bootstrap aggregation, bagged ensemble, bagged predictor
ที่เกี่ยวข้อง	5	5
สรุป	Ensemble Support Vector Machine combines multiple independently trained SVM classifiers or regressors — each fitted on a different data partition, bootstrap sample, or feature subset — and aggregates their outputs via voting, averaging, or stacking. The approach mitigates the high computational cost and sensitivity to kernel hyperparameters inherent in a single large-scale SVM, while improving generalisation on complex or high-dimensional 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.