摘要：机器学习和深度学习都是人工智能的一部分，对全球的市场营销和消费者产生了巨大的影响。然而，从神经网络发展而来的深度学习算法通常被视为黑箱，因为它们的网络结构和权重无法被人类用户解释。一般来说，银行业的客户有权知道他们的申请为何被黑箱算法的决策拒绝。本文提出了一种实用的嫁接方法，将全局模型和局部模型结合成可解释人工智能的混合模型。两个基于决策树的模型被用作全局模型，因为它们具有高度的可解释性，可以作为混合模型的骨架或蓝图。另外两个模型，包括深度神经网络和 k-最近邻模型，被用作局部模型，分别提高准确性和可解释性。实施了一个财务困境预测系统，以评估混合模型的性能和所提出的嫁接方法的有效性。实验结果表明，基于终端节点嫁接的混合模型可能会提高准确性和可解释性，具体取决于所选择的局部模型。