本论文提出了一种整合可解释的人工智能技术与自适应学习的方法来增强能源消耗预测模型。该方法利用SHAP聚类方法提供可解释的解释，并根据洞察力自适应地改进模型，提高预测性能并提供可解释的模型解释。实验结果表明该方法在回归和分类问题中有效，具有鲁棒性。

研究发现XGBoost模型在野火分类方面准确性和稳健性优于其他模型，Random Forest回归模型在预测受野火影响范围方面表现出色。开发了混合神经网络模型用于分类和回归任务，并利用可解释的人工智能技术揭示了野火预测的重要因素。研究强调了模型透明度和可解释性在环境科学应用中的重要性。

本论文提出了一种整合可解释的人工智能技术与自适应学习的方法来增强能源消耗预测模型。该方法利用SHAP聚类方法为模型的预测结果提供可解释的解释，并根据这些洞察力来自适应地改进模型。实验结果表明该方法在回归和分类问题中均有效。

本文提出了一种新颖的可解释的感兴趣区域选择框架，用于脑疾病识别。实验证实了该方法在自闭症谱系障碍诊断方面的有效性，并对选定的感兴趣区域进行定性分析，鉴别与先前神经科学研究相关的ASD亚型。