ใน การเรียนรู้ ของเครื่องอัลกอริทึมเสียงข้างมากแบบถ่วงน้ำหนัก (WMA)เป็นอัลกอริทึมการเรียนรู้แบบเมตา ที่ใช้ในการสร้างอัลกอริทึมแบบผสมจากกลุ่มของอัลกอริทึมการทำนาย ซึ่งอาจเป็นอัลกอริทึมการเรียนรู้ ตัวจำแนก หรือแม้แต่ผู้เชี่ยวชาญที่เป็นมนุษย์ก็ได้^{[ 1 ] [ 2 ]} อัลกอริทึมนี้ถือว่าเราไม่มีความรู้ล่วงหน้าเกี่ยวกับความแม่นยำของอัลกอริทึมในกลุ่ม แต่มีเหตุผลเพียงพอที่จะเชื่อว่าอย่างน้อยหนึ่งอัลกอริทึมจะทำงานได้ดี

สมมติว่าปัญหาเป็นปัญหาการตัดสินใจ แบบไบนารี ในการสร้างอัลกอริทึมแบบผสม จะมีการกำหนดค่าน้ำหนักบวกให้กับแต่ละอัลกอริทึมในกลุ่ม จากนั้นอัลกอริทึมแบบผสมจะรวบรวมคะแนนเสียงที่มีน้ำหนักจากทุกอัลกอริทึมในกลุ่ม และให้ผลการทำนายที่มีคะแนนเสียงสูงกว่า หากอัลกอริทึมแบบผสมทำผิดพลาด อัลกอริทึมในกลุ่มที่ทำให้การทำนายผิดพลาดจะถูกหักลบด้วยอัตราส่วน β โดยที่ 0 < β < 1

สามารถแสดงได้ว่าขอบเขตบนของจำนวนข้อผิดพลาดที่เกิดขึ้นในลำดับการทำนายที่กำหนดจากกลุ่มของอัลกอริทึมคือ ${\displaystyle \mathbf {A} }$

${\displaystyle \mathbf {O(log|A|+m)} }$

หากอัลกอริทึมหนึ่งตัว ทำ ผิดพลาด มากที่สุด${\displaystyle \mathbf {x} _{i}}$${\displaystyle \mathbf {m} }$

อัลกอริทึมเสียงข้างมากถ่วงน้ำหนักมีหลายรูปแบบเพื่อรับมือกับสถานการณ์ต่างๆ เช่น เป้าหมายที่เปลี่ยนแปลงไป กลุ่มข้อมูลไม่จำกัด หรือการคาดการณ์แบบสุ่ม กลไกหลักยังคงคล้ายคลึงกัน โดยประสิทธิภาพโดยรวมของอัลกอริทึมแบบผสมจะถูกจำกัดด้วยฟังก์ชันของประสิทธิภาพของอัลกอริทึมเฉพาะทาง (อัลกอริทึมที่มีประสิทธิภาพดีที่สุด) ในกลุ่มข้อมูล

• อัลกอริทึมเสียงข้างมากถ่วงน้ำหนักแบบสุ่ม