เปรียบเทียบวิธี

	การวางซ้อน (Stacked Generalization)	การรวมกลุ่มแบบแบ็กกิง
สาขาวิชา	การเรียนรู้แบบรวมกลุ่ม	การเรียนรู้แบบรวมกลุ่ม
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1992	1996
ผู้ริเริ่ม	David Wolpert	Leo Breiman
ประเภท	meta-learning aggregation	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	stacking, meta-learning	bootstrap aggregating
ที่เกี่ยวข้อง	3	4
สรุป	Stacked generalization, or stacking, is a two-level ensemble method where base-level classifiers are trained on the original data, and a meta-learner is trained on the predictions of the base classifiers. The meta-learner learns how to best combine base predictions rather than using fixed aggregation rules. Introduced by David Wolpert in 1992, stacking achieves state-of-the-art performance by automatically learning the optimal weighting and interaction patterns among base models.	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.