เปรียบเทียบวิธี

	ฟอเรสต์การแยกตัวที่อธิบายได้	ฟอเรสต์สุ่มที่อธิบายได้
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2008 / 2017	2001–2017
ผู้ริเริ่ม	Liu, F. T., Ting, K. M., & Zhou, Z.-H. (Isolation Forest); Lundberg, S. M. & Lee, S.-I. (SHAP explainability layer)	Breiman, L. (RF); Lundberg & Lee (SHAP attribution)
ประเภท	Anomaly detection with post-hoc explainability	Interpretable ensemble (bagging + post-hoc attribution)
แหล่งต้นตำรับ	Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774.	Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774.
ชื่อเรียกอื่น	XIF, Isolation Forest with SHAP, interpretable anomaly detection, explainable anomaly isolation	XRF, interpretable random forest, transparent random forest, random forest with explainability
ที่เกี่ยวข้อง	5	4
สรุป	Explainable Isolation Forest combines the Isolation Forest anomaly detection algorithm with post-hoc explainability tools — most commonly SHAP (SHapley Additive exPlanations) — to not only flag anomalous observations but also reveal which features drove each anomaly score. It bridges unsupervised anomaly detection with the interpretability demands of regulated and high-stakes domains.	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.