摘要：可解释的AI（XAI）是机器学习模型中关键的改变游戏规则的功能之一，这有助于使它们在不同的应用中更透明，调节和可用。在对本文的调查中，我们考虑了四行解释方法（基于Lime，Shap，锚和基于决策树的解释），以阐明不同领域内黑匣子模型的决策过程。在我们的实验中，我们使用涵盖不同领域的数据集，例如健康，金融和图像分类，并比较每种解释方法的准确性，忠诚度，覆盖率，精度，精度和人类满意度。我们的工作表明，与其他非模型特异性的解释方法相比，指称的规则树方法（基于决策树的解释）大多是优越的，无论分类器如何，都具有更高的准确性，忠诚度，覆盖率和精度。除此之外，回答定性评估的受访者表明，他们对基于决策的解释非常满意，并且这些类型的解释非常容易且易于理解。此外，大多数受访者都闻名，这些澄清更具本能和意义。过度发现，利用可解释的AI策略来促进机器学习模型与人类理解之间的漏洞，从而在AI驱动的决策中提高直接性和责任感。关键字：可解释的AI，可解释性，选择树，机器学习，直截了当。