目前,数据已经成为制约机器学习模型发展的重要因素,如何安全便捷地联合多家企业数据进行建立模型从而得到表现更加优秀的模型成为一个重要课题。联邦学习着力于各方企业仅在交换某些模型训练时的加密参数的情况下,使用多方数据建立模型,从而打破数据孤岛提升模型性能。随着机器学习模型要处理的数据量越来越大,仅仅使用简单的机器学习模型难以充分发挥数据量极大的优势。随着复杂机器学习模型在大数据领域的广泛应用,人们越来越难以理解机器学习模型预测的过程,机器学习模型的解释成为一个重要课题。联邦学习下的机器学习模型的解释,不仅可以帮助人们理解模型的预测过程,而且有可能在一定程度上反映各方企业的数据价值。本文提出了联邦学习环境下的XGBoost算法的模型解释方法,可以对每一条样本的预测作出一定程度的解释,从而方便理解每一个特征在模型预测中起到的作用。在实证部分,使用Lending Club的信用贷款数据进行数据的预处理得到了十个入模特征,将十个特征分配到两方以模拟两方企业在联邦学习环境下的建模,并将联邦学习构建的模型和仅仅使用其中一方的数据和标签构建的模型以及直接将两方数据合并到一起而构建的模型相比较,最终发现联邦学习下构建的模型和直接将两方数据集中到一起构建的模型在表现上几乎无异且优于仅使用一方数据和标签构建的模型,并通过对联邦学习下模型的解释得到了在本次实证分析中对模型预测结果最重要的特征。