เปรียบเทียบวิธี

	Robust Boosting	Regularized Boosting
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1999–2001	2001–2016
ผู้ริเริ่ม	Freund, Y.; Mason, L. et al.	Friedman, J. H.; extended by Chen & Guestrin
ประเภท	Ensemble (robust sequential boosting)	Regularized ensemble (boosting with shrinkage/penalty)
แหล่งต้นตำรับ	Freund, Y. (2001). An adaptive version of the boost by majority algorithm. Machine Learning, 43(3), 293–318.	Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232.
ชื่อเรียกอื่น	noise-tolerant boosting, robust AdaBoost, boosting with robust losses, outlier-resistant boosting	shrinkage boosting, penalized boosting, regularized gradient boosting, L1/L2 boosting
ที่เกี่ยวข้อง	6	5
สรุป	Robust Boosting modifies standard boosting algorithms — such as AdaBoost or gradient boosting — by replacing the default exponential or squared loss with robust loss functions (e.g., Huber, logistic, or truncated losses) or by incorporating noise-tolerance mechanisms, so that the ensemble remains accurate even when training data contain outliers, label noise, or heavy-tailed errors.	Regularized boosting extends gradient boosting by adding explicit controls — shrinkage (learning rate), L1/L2 weight penalties, subsampling, and tree-complexity limits — to the objective function and the update rule. These constraints reduce overfitting, stabilise the model on noisy or small datasets, and are the core reason why systems such as XGBoost and LightGBM consistently outperform vanilla boosting on real-world tabular benchmarks.