เปรียบเทียบวิธี

	เครื่องจำแนกประเภทแบบ Support Vector Machine ที่อธิบายได้	Explainable Naive Bayes
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2016–2017 (XAI layer)	1950s (Naive Bayes); 2000s–2010s (explainability focus)
ผู้ริเริ่ม	Cortes & Vapnik (SVM); explainability layer via Lundberg & Lee (SHAP, 2017) and Ribeiro et al. (LIME, 2016)	Zhang, H. (explainability framing); Naive Bayes: Good, I. J.
ประเภท	Post-hoc explainability applied to SVM	Probabilistic generative classifier with intrinsic explainability
แหล่งต้นตำรับ	Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774.	Rish, I. (2001). An empirical study of the naive Bayes classifier. In IJCAI Workshop on Empirical Methods in AI (pp. 41–46).
ชื่อเรียกอื่น	Explainable SVM, Interpretable SVM, XAI-SVM, Transparent Support Vector Machine	XNB, interpretable Naive Bayes, transparent Naive Bayes, explainable probabilistic classifier
ที่เกี่ยวข้อง	4	4
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 Naive Bayes extends the classic probabilistic Naive Bayes classifier with transparent, human-readable explanations of its predictions. By surfacing class priors, per-feature likelihoods, and log-odds contributions, it offers the interpretability demanded in high-stakes domains such as medicine, law, and education without sacrificing the simplicity and speed that make Naive Bayes a reliable baseline.