机器学习模型在生产、流通、销售和服务各个环节都有广泛应用,但随着大数据时代的来临,可用于分析的数据急剧增加,导致模型结构日益复杂,逐渐失去可解释性。为提升复杂模型的可解释性而提出的事后解释方法目前已经取得一些成果,但仍存在若干科学问题亟待解决。针对事后解释方法中存在的部分问题,本文进行了改进研究。首先,系统梳理相关研究,对事后解释方法的种类及每一类方法的优缺点进行归纳总结。其次,在此基础上提出一种估计扰动样本合理概率方法,识别不合理样本,改进现有抽样方法。再次,详细阐述PDP、LIME、沙普利值和置换特征重要性的原理,深入分析其存在的问题,提出改进思路,给出相应的改进算法与实现,使用部分数据集进行示例分析,初步展示并论证改进方法的有效性。最后,使用七个UCI数据集、四类机器学习模型进行对比实验,进一步验证改进方法的有效性。实验结果表明,使用合理概率对扰动样本进行加权处理,能够减轻不合理样本对复杂模型预测结果的影响,显著提升PDP解释结果的稳定性和可靠性;通过蓄水池加权抽样确保抽取样本的合理性,能够提高代理模型对复杂模型预测行为的还原度,增强LIME解释结果的可信度;连续特征离散化和LIME框架的使用,能够统一连续特征和离散特征的度量尺度,在提高解释结果可靠性的同时显著降低沙普利值的时间和空间复杂度;基于沙普利值改进计算公式,充分考虑所有可能的特征扰动情况,从理论上确保置换特征重要性解释结果的局部准确性、缺失性和一致性。