เปรียบเทียบวิธี

	Boosting แบบออนไลน์	Online Bagging
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2001	2001
ผู้ริเริ่ม	Oza, N. C. & Russell, S.	Oza, N. C. & Russell, S.
ประเภท	Online ensemble (incremental boosting)	Online ensemble (streaming bagging)
แหล่งต้นตำรับ	Oza, N. C., & Russell, S. (2001). Online Bagging and Boosting. In Artificial Intelligence and Statistics 2001 (pp. 105–112). Morgan Kaufmann.	Oza, N. C., & Russell, S. (2001). Online bagging and boosting. In Proceedings of the Eighth International Workshop on Artificial Intelligence and Statistics (AISTATS 2001), pp. 105–112.
ชื่อเรียกอื่น	streaming boosting, incremental boosting, online AdaBoost, online ensemble boosting	incremental bagging, streaming bagging, online bootstrap aggregating, OzaBag
ที่เกี่ยวข้อง	6	4
สรุป	Online Boosting adapts the classical boosting framework to data streams, updating an ensemble of weak learners one example at a time without storing the full dataset. The Oza-Russell formulation approximates AdaBoost's reweighting using Poisson-sampled instance counts, enabling accurate, adaptive classification in real-time or resource-constrained environments.	Online Bagging is a streaming ensemble method introduced by Oza and Russell in 2001 that adapts the classical bootstrap aggregating (Bagging) framework to the online learning setting. Instead of resampling a fixed dataset, each incoming instance is fed to every base learner a Poisson(1)-distributed number of times, faithfully approximating bootstrap sampling as the stream evolves. The result is a robust, incrementally updated ensemble that can handle concept drift and continuous data arrival without storing the entire dataset.