เปรียบเทียบวิธี

	XGBoost ที่อธิบายได้	LightGBM ที่อธิบายได้
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2016–2020	2017
ผู้ริเริ่ม	Chen & Guestrin (XGBoost); Lundberg & Lee (SHAP for trees)	Ke, G. et al. (LightGBM); Lundberg, S. M. & Lee, S.-I. (SHAP for tree models)
ประเภท	Interpretable ensemble (gradient-boosted trees + SHAP)	Gradient boosting with post-hoc explainability (SHAP)
แหล่งต้นตำรับ	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(1), 56–67.	Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774.
ชื่อเรียกอื่น	XGBoost + SHAP, interpretable XGBoost, XAI-XGBoost, transparent gradient boosting	XAI-LightGBM, LightGBM with SHAP, Interpretable LightGBM, LightGBM explainability
ที่เกี่ยวข้อง	6	6
สรุป	Explainable XGBoost pairs the high predictive accuracy of XGBoost gradient-boosted trees with SHAP (SHapley Additive exPlanations) values to make each prediction fully auditable. The result is a model that matches or surpasses neural networks on tabular data while offering theoretically grounded, per-prediction feature attributions that satisfy both scientific transparency and regulatory demands.	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.