本文研究了超参数调整对三种决策树算法的影响，发现CART算法受其影响最大。不同算法的调优场景不同，但调优技术只需要少量迭代即可找到准确解决方案。最佳技术为Irace，调整特定超参数对预测性能的贡献最大。

本文介绍了一种基于规则的解释模型 LUX，可以生成事实、反事实和视觉解释，通过修改决策树算法实现倾斜分割和与 SHAP 或 LIME 等特征重要性 XAI 方法的集成。该方法通过选择对解释模型的决策边界形成具有最高影响力的真实数据的高密度聚类的局部概念，而不使用数据生成，测试表明它在简单性、全局保真度和代表性等方面优于当前现有的 LORE、EXPLAN 和 Anchor 等基于规则的解释方法。