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。

本文介绍了一种新型的可解释设计模型——Regionally Additive Models (RAMs)，它能够在捕获多个特征之间的交互项的同时，保持可解释性。通过在特征空间中确定减少交互的子区域，并为每个识别出的子区域拟合一个 GAM 成分，RAMs 能提供比普通的广义可加性模型（GAMs）更出色的表达能力和保持可解释性。