เปรียบเทียบวิธี

	Robust Boosting	XGBoost
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1999–2001	2016
ผู้ริเริ่ม	Freund, Y.; Mason, L. et al.	Chen, T. & Guestrin, C.
ประเภท	Ensemble (robust sequential boosting)	Ensemble (gradient-boosted decision trees)
แหล่งต้นตำรับ	Freund, Y. (2001). An adaptive version of the boost by majority algorithm. Machine Learning, 43(3), 293–318.	Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794.
ชื่อเรียกอื่น	noise-tolerant boosting, robust AdaBoost, boosting with robust losses, outlier-resistant boosting	XGBoost, extreme gradient boosting, scalable tree 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.	XGBoost (Extreme Gradient Boosting) is a scalable tree-boosting algorithm introduced by Tianqi Chen and Carlos Guestrin in 2016. It builds a strong predictor by adding decision trees one at a time, each correcting the errors left by the trees before it, and is a powerful prediction method widely used in competitions.