So sánh phương pháp
Xem các phương pháp đã chọn cạnh nhau; những hàng khác biệt được làm nổi bật.
| Máy học hỗ trợ có thể giải thích× | Cây quyết định giải thích được× | |
|---|---|---|
| Lĩnh vực | Học máy | Học máy |
| Họ | Machine learning | Machine learning |
| Năm ra đời≠ | 2016–2017 (XAI layer) | 1984 (CART); XAI framing formalized 2010s–2020s |
| Người khởi xướng≠ | Cortes & Vapnik (SVM); explainability layer via Lundberg & Lee (SHAP, 2017) and Ribeiro et al. (LIME, 2016) | Breiman, L.; Friedman, J.; Olshen, R. A.; Stone, C. J. |
| Loại≠ | Post-hoc explainability applied to SVM | Interpretable supervised learning model |
| Công trình gốc≠ | Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. link ↗ | Breiman, L., Friedman, J., Olshen, R. A., & Stone, C. J. (1984). Classification and Regression Trees. Wadsworth & Brooks/Cole. ISBN: 978-0-412-04841-8 |
| Tên gọi khác | Explainable SVM, Interpretable SVM, XAI-SVM, Transparent Support Vector Machine | XDT, interpretable decision tree, rule-based decision tree, transparent decision tree |
| Liên quan | 4 | 4 |
| Tóm tắt≠ | 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. | An Explainable Decision Tree is a classification or regression tree deliberately grown to be shallow, readable, and auditable — producing a finite set of if-then rules that a human can verify without additional tools. It sits at the intersection of predictive modelling and Explainable AI (XAI), chosen when stakeholders must understand and trust every prediction the model makes. |
| ScholarGateBộ dữ liệu ↗ |
|
|