เปรียบเทียบวิธี

	กฎความสัมพันธ์ที่อธิบายได้	ผังการตัดสินใจที่อธิบายได้
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1993 (rules); 2010s (XAI framing)	1984 (CART); XAI framing formalized 2010s–2020s
ผู้ริเริ่ม	Agrawal, R., Imielinski, T., & Swami, A. (foundational); XAI framing: broader community (2010s–present)	Breiman, L.; Friedman, J.; Olshen, R. A.; Stone, C. J.
ประเภท	Interpretable pattern mining / XAI technique	Interpretable supervised learning model
แหล่งต้นตำรับ	Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, 207–216.	Breiman, L., Friedman, J., Olshen, R. A., & Stone, C. J. (1984). Classification and Regression Trees. Wadsworth & Brooks/Cole. ISBN: 978-0-412-04841-8
ชื่อเรียกอื่น	XAI association rules, interpretable association rules, rule-based explanation mining, transparent association rule learning	XDT, interpretable decision tree, rule-based decision tree, transparent decision tree
ที่เกี่ยวข้อง	6	4
สรุป	Explainable Association Rules leverages the inherently symbolic, if-then structure of association rule mining to provide human-readable explanations of data patterns or black-box model decisions. Because each rule explicitly states its antecedent and consequent together with support, confidence, and lift, the outputs are natively interpretable without requiring a secondary post-hoc surrogate.	An Explainable Decision Tree is a classification or regression tree deliberately grown to be shallow, readable, and auditable — producing a finite set of if-then rules that a human can verify without additional tools. It sits at the intersection of predictive modelling and Explainable AI (XAI), chosen when stakeholders must understand and trust every prediction the model makes.