เปรียบเทียบวิธี

	เครื่องจำแนกประเภทแบบ Support Vector Machine ที่อธิบายได้	Explainable Gradient Boosting
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2016–2017 (XAI layer)	2017–2020
ผู้ริเริ่ม	Cortes & Vapnik (SVM); explainability layer via Lundberg & Lee (SHAP, 2017) and Ribeiro et al. (LIME, 2016)	Lundberg, S. M. & Lee, S.-I. (TreeSHAP for tree ensembles)
ประเภท	Post-hoc explainability applied to SVM	Ensemble + explainability layer
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., Erion, G., Chen, H., DeGrave, A., Prutkin, J. M., Nair, B., Katz, R., Himmelfarb, J., Bansal, N., & Lee, S.-I. (2020). From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence, 2, 56–67.
ชื่อเรียกอื่น	Explainable SVM, Interpretable SVM, XAI-SVM, Transparent Support Vector Machine	XGB with SHAP, interpretable gradient boosting, transparent gradient boosting, XAI gradient boosting
ที่เกี่ยวข้อง	4	6
สรุป	Explainable SVM combines a trained Support Vector Machine with a post-hoc interpretability layer — typically SHAP or LIME — to produce feature-level explanations for individual predictions and global importance rankings. It retains the discriminative power of SVM while meeting transparency requirements in high-stakes domains such as medicine, finance, and law.	Explainable Gradient Boosting combines the predictive power of gradient boosting ensembles with structured interpretability tools — principally SHAP (SHapley Additive exPlanations) — to produce models that are both highly accurate and transparently auditable. Practitioners obtain global feature rankings and individual-level explanations alongside standard performance metrics.