เปรียบเทียบวิธี

	ผังการตัดสินใจที่อธิบายได้	การถดถอยโลจิสติก
สาขาวิชา	การเรียนรู้ของเครื่อง	สถิติการวิจัย
ตระกูล	Machine learning	Process / pipeline
ปีกำเนิด	1984 (CART); XAI framing formalized 2010s–2020s	1958
ผู้ริเริ่ม	Breiman, L.; Friedman, J.; Olshen, R. A.; Stone, C. J.	David Roxbee Cox
ประเภท	Interpretable supervised learning model	Method
แหล่งต้นตำรับ	Breiman, L., Friedman, J., Olshen, R. A., & Stone, C. J. (1984). Classification and Regression Trees. Wadsworth & Brooks/Cole. ISBN: 978-0-412-04841-8	Cox, D. R. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society, Series B, 20(2), 215–242.
ชื่อเรียกอื่น	XDT, interpretable decision tree, rule-based decision tree, transparent decision tree	logit model, binomial logistic regression, LR
ที่เกี่ยวข้อง	4	3
สรุป	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.	Logistic regression is a statistical method for modeling the probability of a binary outcome (disease present/absent, success/failure) as a function of continuous and categorical predictors. Developed by David Roxbee Cox (1958), it solves the problem of predicting categorical outcomes by applying a logistic transformation to constrain predictions to the [0,1] probability interval, enabling accurate risk stratification, diagnostic prediction, and causal inference in epidemiology, medicine, and social science.