เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การรวมแบบลงคะแนน× | การซ้อนทับ× | |
|---|---|---|
| สาขาวิชา | การเรียนรู้ของเครื่อง | การเรียนรู้ของเครื่อง |
| ตระกูล | Machine learning | Machine learning |
| ปีกำเนิด≠ | 1990s–2004 | 1992 |
| ผู้ริเริ่ม≠ | Lam & Suen; Kuncheva, L. I. (systematic treatment) | Wolpert, D.H. |
| ประเภท≠ | Ensemble (combination of multiple classifiers by vote) | Ensemble (heterogeneous meta-learning) |
| แหล่งต้นตำรับ≠ | Kuncheva, L. I. (2004). Combining Pattern Classifiers: Methods and Algorithms. Wiley-Interscience. ISBN: 978-0-471-21078-8 | Wolpert, D.H. (1992). Stacked Generalization. Neural Networks, 5(2), 241–259. DOI ↗ |
| ชื่อเรียกอื่น≠ | majority voting classifier, hard voting, soft voting ensemble, plurality voting ensemble | Stacking (Yığınlama — Meta-Öğrenme), stacked generalization, meta-learning ensemble, super learner |
| ที่เกี่ยวข้อง | 5 | 5 |
| สรุป≠ | A voting ensemble trains several diverse classifiers independently and combines their predictions by a vote: hard voting picks the class chosen by the most models, while soft voting averages their class-probability estimates, optionally with per-model weights. The combination usually outperforms any individual member, and requires no additional training after the base models are fitted. | Stacking, or stacked generalization, is an ensemble method introduced by David Wolpert in 1992 that combines the outputs of several different base models (Level-0) through a separate meta-model (Level-1). Unlike bagging and boosting, it deliberately uses heterogeneous model types, and it is the standard final-stage strategy in Kaggle competitions. |
| ScholarGateชุดข้อมูล ↗ |
|
|