เปรียบเทียบวิธี

	โมเดลการผสมแบบเกาส์เซียนที่อธิบายได้	[NEEDS TRANSLATION]
สาขาวิชา	การเรียนรู้ของเครื่อง	สถิติศาสตร์
ตระกูล	Machine learning	Latent structure
ปีกำเนิด	1995–2020s	1950s–1968
ผู้ริเริ่ม	Reynolds, D. A. & Rose, R. C. (GMM); explainability extensions by various authors	Paul F. Lazarsfeld
ประเภท	Probabilistic clustering with post-hoc or built-in explainability	Latent variable / person-centered classification
แหล่งต้นตำรับ	Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective (Ch. 11 — Mixture Models). MIT Press. ISBN: 978-0-262-01802-9	Goodman, L. A. (1974). Exploratory latent structure analysis using both identifiable and unidentifiable models. Biometrika, 61(2), 215–231.
ชื่อเรียกอื่น	X-GMM, Interpretable GMM, Explainable GMM, Transparent Gaussian Mixture Model	LCA, latent class model, latent categorical analysis, finite mixture of multinomials
ที่เกี่ยวข้อง	3	6
สรุป	An Explainable Gaussian Mixture Model (X-GMM) augments the classical GMM probabilistic clustering framework with transparency mechanisms — such as feature-attribution scores, component-level summaries, or sparse covariance structures — so that discovered clusters and density estimates can be understood, communicated, and audited by human experts.	Latent class analysis identifies unobserved subgroups — latent classes — within a population by finding patterns of responses across a set of categorical observed indicators. It is the categorical-variable counterpart of cluster analysis, but grounded in an explicit probabilistic model, and is widely used in social, health, and behavioral sciences to discover typologies in survey or diagnostic data.