เปรียบเทียบวิธี

	Explainable Extra Trees	XGBoost
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2006 (Extra Trees); 2017 (SHAP integration)	2016
ผู้ริเริ่ม	Geurts, P., Ernst, D., Wehenkel, L. (Extra Trees); Lundberg, S. M. (SHAP explainability layer)	Chen, T. & Guestrin, C.
ประเภท	Ensemble (randomized trees) with post-hoc explainability	Ensemble (gradient-boosted decision trees)
แหล่งต้นตำรับ	Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees. Machine Learning, 63(1), 3–42.	Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794.
ชื่อเรียกอื่น	XAI-ET, Explainable ET, Interpretable Extra Trees, Extra Trees with SHAP	XGBoost, extreme gradient boosting, scalable tree boosting
ที่เกี่ยวข้อง	5	5
สรุป	Explainable Extra Trees combines the Extremely Randomized Trees (Extra Trees) ensemble algorithm with post-hoc explainability methods — most commonly SHAP values — to deliver both strong predictive performance and transparent, feature-level explanations. It extends the classic Extra Trees classifier or regressor so that every prediction can be decomposed into individual feature contributions, satisfying demands for accountability in applied and regulated domains.	XGBoost (Extreme Gradient Boosting) is a scalable tree-boosting algorithm introduced by Tianqi Chen and Carlos Guestrin in 2016. It builds a strong predictor by adding decision trees one at a time, each correcting the errors left by the trees before it, and is a powerful prediction method widely used in competitions.