เปรียบเทียบวิธี

	การเสริมกำลังไล่ระดับ	การบูสต์แบบกึ่งมีผู้สอน (Semi-supervised Boosting)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2001	1999–2009
ผู้ริเริ่ม	Friedman, J. H.	Mallapragada, P. K.; Bennett, K. P.; and others
ประเภท	Ensemble (sequential boosting of decision trees)	Semi-supervised ensemble method
แหล่งต้นตำรับ	Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232.	Mallapragada, P. K., Jin, R., Jain, A. K., & Liu, Y. (2009). SemiBoost: Boosting for Semi-supervised Learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(11), 2000–2014.
ชื่อเรียกอื่น	Gradient Boosting (GBM), GBM, gradient boosted trees, gradient boosting machine	SemiBoost, SSL boosting, boosting with unlabeled data, semi-supervised ensemble boosting
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.	Semi-supervised Boosting is an ensemble learning paradigm that extends classical boosting algorithms — such as AdaBoost — to exploit both labeled and unlabeled data. By propagating label information through a similarity structure over unlabeled instances, it trains stronger classifiers than supervised boosting alone when labeled data are scarce.