本文主要包含以下两方面内容:(1)对一种区间值SVM分类模型的参数选取进行优化;(2)提出一种对区间型数据进行LIME解释的数据预处理方法。支持向量机(SVM)作为应用最广泛的分类算法之一,以其严密的数学逻辑在精确型数据集中有着良好的分类性能。对于区间型数据集,通常对区间型数据进行处理使其转换为精确型数据再进行SVM训练。传统方法是用区间的几何中心代表该区间,而Utkin等人则是通过考虑区间型数据的期望风险测度区间提出一种区间值SVM,直接将数据的区间信息引入训练过程,从而使得到的SVM分类模型地性能更加优异。然而,由于该算法的高复杂度导致直接进行参数选取优化存在一定的困难,使得模型性能未必能达到最优。针对这种情况,本文中通过结合粒子群优化算法以及传统方法,提出一种方法对Utkin等人算法的参数选取进行优化。通过在MATLAB平台上对人工合成数据以及8组UCI数据集的数值实验可以看出,与传统方法以及Utkin等人的方法相比较,本文所提的方法具有更加优良的分类性能。同时,本文所提参数优化方法在区间值SVM中的参数寻优时间也远小于Utkin等人所使用的网格搜索优化方法。机器学习被广泛应用,是科学和技术的许多最新进展的核心。大多机器学习模型仍然是黑匣子,了解预测背后的原因对于评估模型的信任度变得非常重要。通常,可以通过拟合代理模型来对黑箱模型的预测结果进行解释。但对于结构复杂的黑箱机器学习模型,拟合令人满意的全局代理模型较为困难,一般考虑用局部代理模型来拟合黑箱模型的单个预测,从而只对该单个预测进行解释。在本文中使用局部代理模型方法中的LIME方法进行解释,LIME方法通过在预测结果的周围建立局部可解释模型为单个预测提供解释。然而,LIME方法本身也是对精确型数据进行解释,因此本文中提出新的数据处理方式可以将需要解释的区间型实例转换为精确型实例,从而可以直接使用LIME方法对预测结果进行解释。通过在Python平台的数值实验可以看出,LIME方法对经过数据处理的4组UCI数据都可以给出直观有效、令人信服的解释。