เปรียบเทียบวิธี

	ผังการตัดสินใจที่อธิบายได้	Random Forest
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1984 (CART); XAI framing formalized 2010s–2020s	2001
ผู้ริเริ่ม	Breiman, L.; Friedman, J.; Olshen, R. A.; Stone, C. J.	Breiman, L.
ประเภท	Interpretable supervised learning model	Ensemble (bagging of decision trees)
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	Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32.
ชื่อเรียกอื่น	XDT, interpretable decision tree, rule-based decision tree, transparent decision tree	Rastgele Orman (Random Forest), rastgele orman, random decision forest, bagged tree ensemble
ที่เกี่ยวข้อง	4	4
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.	Random Forest is an ensemble learning method, introduced by Leo Breiman in 2001, that grows many decision trees on bootstrap samples of the data and combines their votes to produce strong classification and regression. By pooling many slightly different trees, it produces more accurate and more stable predictions than any single tree.