เปรียบเทียบวิธี

	การลงคะแนนแบบกลุ่มที่อธิบายได้	การรวมแบบลงคะแนน
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2016–2020	1990s–2004
ผู้ริเริ่ม	Composite: voting ensemble (Dietterich, 2000) + XAI frameworks (Ribeiro et al., 2016; Lundberg & Lee, 2017)	Lam & Suen; Kuncheva, L. I. (systematic treatment)
ประเภท	Ensemble with post-hoc or ante-hoc interpretability	Ensemble (combination of multiple classifiers by vote)
แหล่งต้นตำรับ	Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774.	Kuncheva, L. I. (2004). Combining Pattern Classifiers: Methods and Algorithms. Wiley-Interscience. ISBN: 978-0-471-21078-8
ชื่อเรียกอื่น	XAI voting ensemble, interpretable voting classifier, transparent voting ensemble, explainable majority vote model	majority voting classifier, hard voting, soft voting ensemble, plurality voting ensemble
ที่เกี่ยวข้อง	6	5
สรุป	An Explainable Voting Ensemble combines predictions from multiple diverse base models through majority vote (hard voting) or averaged probabilities (soft voting), then applies post-hoc or ante-hoc XAI techniques — such as SHAP values, LIME, or permutation importance — to produce feature-level explanations for the combined model's decisions. The goal is to retain the accuracy gains of ensemble aggregation while meeting interpretability requirements in high-stakes or regulated applications.	A voting ensemble trains several diverse classifiers independently and combines their predictions by a vote: hard voting picks the class chosen by the most models, while soft voting averages their class-probability estimates, optionally with per-model weights. The combination usually outperforms any individual member, and requires no additional training after the base models are fitted.