เปรียบเทียบวิธี

	การวางซ้อน (Stacked Generalization)	การลงคะแนนเสียงข้างมาก
สาขาวิชา	การเรียนรู้แบบรวมกลุ่ม	การเรียนรู้แบบรวมกลุ่ม
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1992	1996
ผู้ริเริ่ม	David Wolpert	Leo Breiman
ประเภท	meta-learning aggregation	voting aggregation
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	hard voting
ที่เกี่ยวข้อง	3	5
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.	Majority voting is an ensemble method that combines predictions from multiple base classifiers by selecting the class that receives the most votes. Each base classifier casts one vote for a predicted class, and the final prediction is the class with the majority (plurality). This approach was formalized by Leo Breiman and colleagues in the 1990s as a simple yet effective way to improve classification accuracy.