随着数据时代的到来,数据挖掘和知识发现得到了很多学者的关注,其核心机器学习方法在诸多领域都表现出强大的性能优势,从单一学习方法到以随机森林为代表的集成学习方法,模型预测的准确性在不断提升,但作为黑盒模型的缺陷却逐渐凸显,特别是在医疗、金融等领域,方法的可解释性尤为重要。可解释性机器学习可以提炼数据中的知识,并与人的知识进行验证和结合,更好地辅助决策。准确性与可解释性是机器学习方法研究的两大重要方向,本文从数据预处理和随机森林方法角度进行方法准确性方面的研究,从可解释性规则学习和知识表示及管理角度进行方法可解释性方面的研究,提出了引入可解释性的随机森林规则提取方法(Interpretability-introduced Random Forest Rule Extraction,IRFRE),共分为基于随机森林的规则提取和引入可解释性的规则约简两部分。在第一部分中,本文从数据处理和参数优化的维度入手,充分发挥随机森林方法在分类性能和泛化能力上的优势,利用参数优化后的随机森林模型构造CART决策树,通过从根节点追溯到叶节点的方式提取丰富的IF-THEN决策规则;在第二部分中,针对随机森林的黑盒性,引入可解释性(interpretability)的量化评测指标,同时以准确性与可解释性为优化目标,在考虑种群多样性的前提下进行规则约简,并对约简后的规则进行知识化表示以便于知识的存储和使用,致力于在保持准确性的同时提升方法的可解释性。为了验证本文方法IRFRE的有效性,本文将其应用在可解释性机器学习典型的应用领域乳腺癌诊断问题,分别在威斯康辛诊断乳腺癌(WDBC)数据集,威斯康辛原始乳腺癌(WOBC)数据集,以及监测、流行病学和最终结果(SEER)乳腺癌数据集上进行验证和评估。通过规则约简分析、性能比较分析、数值统计分析、规则知识化分析,结果表明该方法可以有效提升黑盒方法随机森林的可解释性,在准确性与可解释性之间做到很好的权衡,并显著优于几种流行的规则学习方法和单一机器学习方法,且与改进前的随机森林方法相比,其可解释性得到了显著提升。本文又对提取的规则进一步分析,得到乳腺癌诊断的相关知识,并运用知识元模型对其进行表示和存储,为AI辅助诊断过程提供一种同时具备准确性与可解释性的方案,对于医疗资源的有效管理、患者满意度的提升有积极作用,充分发挥可解释机器学习的优势,同时可进一步推广到医疗的其他研究及金融、法律等其他领域。