เปรียบเทียบวิธี

	การเสริมกำลังไล่ระดับ	การถดถอยกำลังสองน้อยที่สุดสามัญ (OLS)
สาขาวิชา	การเรียนรู้ของเครื่อง	เศรษฐมิติ
ตระกูล	Machine learning	Regression model
ปีกำเนิด	2001	2019
ผู้ริเริ่ม	Friedman, J. H.	Wooldridge (textbook treatment); classical least squares
ประเภท	Ensemble (sequential boosting of decision trees)	Linear regression
แหล่งต้นตำรับ	Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232.	Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach (7th ed.). Cengage Learning. ISBN: 978-1337558860
ชื่อเรียกอื่น	Gradient Boosting (GBM), GBM, gradient boosted trees, gradient boosting machine	ordinary least squares, classical linear regression, linear regression, en küçük kareler regresyonu
ที่เกี่ยวข้อง	5	5
สรุป	Gradient Boosting is an ensemble learning method, formalised by Jerome H. Friedman in 2001, that combines a sequence of weak learners — typically shallow decision trees — so that each new tree is fitted to minimise the residual errors of the trees before it. It is the core algorithm behind popular implementations such as XGBoost, LightGBM and CatBoost.	Ordinary Least Squares is the classical linear regression method that explains a continuous outcome as a linear combination of predictors. It estimates the coefficients by minimising the sum of squared residuals, and under the Gauss-Markov assumptions these estimates are the best linear unbiased estimator (BLUE).