เปรียบเทียบวิธี

	LightGBM ที่อธิบายได้	CatBoost
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2017	2018
ผู้ริเริ่ม	Ke, G. et al. (LightGBM); Lundberg, S. M. & Lee, S.-I. (SHAP for tree models)	Prokhorenkova, L. et al. (Yandex)
ประเภท	Gradient boosting with post-hoc explainability (SHAP)	Gradient boosting on decision trees
แหล่งต้นตำรับ	Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774.	Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A.V. & Gulin, A. (2018). CatBoost: Unbiased Boosting with Categorical Features. In NeurIPS 2018.
ชื่อเรียกอื่น	XAI-LightGBM, LightGBM with SHAP, Interpretable LightGBM, LightGBM explainability	CatBoost (Categorical Boosting), categorical boosting, ordered boosting, kategorik gradyan artırma
ที่เกี่ยวข้อง	6	5
สรุป	Explainable LightGBM combines Microsoft's LightGBM gradient boosting framework with SHAP (SHapley Additive exPlanations) to deliver both high predictive performance and rigorous, theoretically grounded feature-level explanations. It is widely adopted in applied research where predictive accuracy and interpretability are simultaneously required.	CatBoost is a gradient boosting algorithm, introduced by Prokhorenkova and colleagues at Yandex in 2018, that handles categorical variables natively and uses ordered target encoding to avoid label leakage. By building an additive ensemble of trees while permuting the data order at each iteration, it is often superior to XGBoost and LightGBM on category-heavy data.