本文探讨了广义加性模型（GAMs）在多类别情况下的应用，提出了可解释性增强的Additive Post-Processing for Interpretability (API)技术。研究表明，基于树的GAMs在稀疏性和准确性方面表现优越，并介绍了新型模型如Regionally Additive Models (RAMs)和形状算术表达式（SHAREs），强调可解释机器学习模型在预测性能中的重要性。