เปรียบเทียบวิธี

	การรวมกลุ่มแบบซ้อนแบบอธิบายได้	การเสริมกำลังไล่ระดับ	XGBoost
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning	Machine learning
ปีกำเนิด	1992 (stacking); 2010s–2020s (explainable extensions)	2001	2016
ผู้ริเริ่ม	Wolpert, D. H. (stacking); XAI integration developed across the community	Friedman, J. H.	Chen, T. & Guestrin, C.
ประเภท	Ensemble meta-learning with post-hoc or intrinsic interpretability	Ensemble (sequential boosting of decision trees)	Ensemble (gradient-boosted decision trees)
แหล่งต้นตำรับ	Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241–259.	Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics, 29(5), 1189–1232.	Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794.
ชื่อเรียกอื่น	XAI-Stacking, interpretable stacking, transparent stacking ensemble, explainable stacked generalisation	Gradient Boosting (GBM), GBM, gradient boosted trees, gradient boosting machine	XGBoost, extreme gradient boosting, scalable tree boosting
ที่เกี่ยวข้อง	4	5	5
สรุป	Explainable Stacking Ensemble combines the predictive power of stacked generalisation — training a meta-learner on the outputs of multiple diverse base models — with interpretability tools such as SHAP or LIME that reveal how each base model and each input feature contributed to the final prediction. It bridges the accuracy–transparency trade-off that makes pure stacking opaque in high-stakes settings.	Gradient Boosting is an ensemble learning method, formalised by Jerome H. Friedman in 2001, that combines a sequence of weak learners — typically shallow decision trees — so that each new tree is fitted to minimise the residual errors of the trees before it. It is the core algorithm behind popular implementations such as XGBoost, LightGBM and CatBoost.	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.