เปรียบเทียบวิธี

	การจัดกลุ่มแบบกึ่งกำกับด้วยการซ้อนทับ	การรวมกลุ่มแบบแบ็กกิง
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้แบบรวมกลุ่ม
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2000s–2010s	1996
ผู้ริเริ่ม	Combines Wolpert (1992) stacking with semi-supervised learning principles	Leo Breiman
ประเภท	Ensemble (stacked generalization with unlabeled data augmentation)	parallel ensemble
แหล่งต้นตำรับ	Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241–259.	Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123-140.
ชื่อเรียกอื่น	SSL stacking, semi-supervised stacked generalization, self-trained stacking, semi-supervised meta-learning ensemble	bootstrap aggregating
ที่เกี่ยวข้อง	5	4
สรุป	Semi-supervised Stacking Ensemble extends the classic stacked generalization framework to settings where only a fraction of training examples carry labels. Base learners are first trained on labeled data, then used to assign pseudo-labels to unlabeled examples; the expanded dataset trains stronger base models whose out-of-fold predictions form the input to a meta-learner, yielding a two-tier ensemble that exploits both labeled and unlabeled structure.	Bagging, short for bootstrap aggregating, is an ensemble method that reduces variance by training multiple copies of a single learning algorithm on different random subsets of the training data. Each subset is created via bootstrap sampling—randomly drawing samples with replacement. Predictions are combined through majority voting (classification) or averaging (regression). Introduced by Leo Breiman in 1996, bagging forms the foundation for random forests and is particularly effective for reducing overfitting in high-variance models.