เปรียบเทียบวิธี

	กฎความสัมพันธ์ที่อธิบายได้	ฟอเรสต์สุ่มที่อธิบายได้
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1993 (rules); 2010s (XAI framing)	2001–2017
ผู้ริเริ่ม	Agrawal, R., Imielinski, T., & Swami, A. (foundational); XAI framing: broader community (2010s–present)	Breiman, L. (RF); Lundberg & Lee (SHAP attribution)
ประเภท	Interpretable pattern mining / XAI technique	Interpretable ensemble (bagging + post-hoc attribution)
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.	Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774.
ชื่อเรียกอื่น	XAI association rules, interpretable association rules, rule-based explanation mining, transparent association rule learning	XRF, interpretable random forest, transparent random forest, random forest with explainability
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.	Explainable Random Forest (XRF) combines the predictive power of Breiman's Random Forest ensemble with systematic post-hoc attribution methods — principally SHAP values and mean-decrease-in-impurity importance — to make model decisions transparent and auditable. It delivers both high accuracy and human-interpretable feature contributions, satisfying demands from regulators, domain experts, and academic reviewers alike.