本文介绍了一种基于布尔分类器的方法，通过离散化原始数据和特征选择，生成可解释且准确的分类器。实验结果表明，该方法在准确性上与随机森林和XGBoost相当，甚至在某些情况下超越了现有结果。该模型适用于信用评分和医学诊断等领域，强调了分类器可解释性与准确性之间的平衡。

该文综述布尔分类器与可解释人工智能研究，涵盖决策树可懂性差距、DNF-Net神经网络、基于布尔公式的分类模型、整数规划框架、两级布尔规则学习、树生成模型、布尔规则分类、可解释二层神经网络、交互式可视化标定及规则决策回归模型，旨在平衡准确性与可解释性。