เปรียบเทียบวิธี

	Regularized Random Forest	การเพิ่มกำลังไล่ระดับแบบปรับให้เหมาะสม
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2012	2001 (gradient boosting); 2016 (explicit L1/L2 regularization in XGBoost)
ผู้ริเริ่ม	Deng, H. & Runger, G.	Chen, T. & Guestrin, C. (building on Friedman, J. H.)
ประเภท	Regularized ensemble (penalized feature selection in trees)	Regularized ensemble (additive tree model)
แหล่งต้นตำรับ	Deng, H., & Runger, G. (2012). Feature selection via regularized trees. Proceedings of the 2012 International Joint Conference on Neural Networks (IJCNN), IEEE, pp. 1–8.	Chen, T. & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794.
ชื่อเรียกอื่น	RRF, Guided Regularized Random Forest, GRRF, regularized tree ensemble	penalized gradient boosting, shrinkage-regularized boosting, XGBoost-style regularization, L1/L2 gradient boosting
ที่เกี่ยวข้อง	5	6
สรุป	Regularized Random Forest (RRF), introduced by Deng and Runger in 2012, extends the standard Random Forest by adding a penalty that discourages splits on features not already used in the ensemble. This built-in regularization produces sparser, less redundant feature subsets, making the model especially valuable when feature selection is as important as predictive accuracy.	Regularized gradient boosting extends the classic additive tree ensemble (Friedman 2001) by embedding L1 and L2 penalty terms directly into the training objective, along with a complexity penalty on tree size. Popularized by XGBoost (Chen & Guestrin 2016), this framework reduces overfitting and improves generalization compared to unpenalized boosting, while retaining the method's characteristic accuracy on tabular data.