เปรียบเทียบวิธี

	กระบวนการเกาส์เซียนที่อธิบายได้	ฟอเรสต์สุ่มที่อธิบายได้
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2006 (GP); 2017+ (XAI integration)	2001–2017
ผู้ริเริ่ม	Rasmussen, C. E. & Williams, C. K. I. (GP); XAI layer via Lundberg & Lee (SHAP, 2017) and others	Breiman, L. (RF); Lundberg & Lee (SHAP attribution)
ประเภท	Probabilistic model with post-hoc or built-in interpretability	Interpretable ensemble (bagging + post-hoc attribution)
แหล่งต้นตำรับ	Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. ISBN: 978-0-262-18253-9	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-GP, interpretable Gaussian process, explainable GP, transparent Gaussian process	XRF, interpretable random forest, transparent random forest, random forest with explainability
ที่เกี่ยวข้อง	5	4
สรุป	An Explainable Gaussian Process (XAI-GP) combines the probabilistic, uncertainty-aware predictions of a Gaussian Process model with systematic interpretability tools — such as SHAP values, kernel decomposition, or sensitivity analysis — so that every prediction comes with both a calibrated confidence interval and an auditable explanation of which inputs drove it.	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.