เปรียบเทียบวิธี

	เทคนิก Bagging แบบกึ่งมีผู้สอน	Random Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000s	2001
ผู้ริเริ่ม	Various (Breiman bagging + semi-supervised extensions, 1990s–2000s)	Breiman, L.
ประเภท	Semi-supervised ensemble (bagging variant)	Ensemble (bagging of decision trees)
แหล่งต้นตำรับ	Bennett, K. P., & Demiriz, A. (1999). Semi-supervised support vector machines. Advances in Neural Information Processing Systems, 11. MIT Press.	Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32.
ชื่อเรียกอื่น	SS-Bagging, semi-supervised bootstrap aggregating, self-training bagging, bagging with pseudo-labels	Rastgele Orman (Random Forest), rastgele orman, random decision forest, bagged tree ensemble
ที่เกี่ยวข้อง	4	4
สรุป	Semi-supervised Bagging extends the classical bagging ensemble to settings where labeled training examples are scarce but large amounts of unlabeled data are available. Base learners trained on labeled data assign pseudo-labels to unlabeled examples; the expanded dataset is then used to grow a diverse ensemble whose aggregated vote is more accurate and more stable than any single model trained on the limited labeled set alone.	Random Forest is an ensemble learning method, introduced by Leo Breiman in 2001, that grows many decision trees on bootstrap samples of the data and combines their votes to produce strong classification and regression. By pooling many slightly different trees, it produces more accurate and more stable predictions than any single tree.