预测分析是一种基于统计或数据挖掘技术的决策方法,准确的预测分析能够为企业、政府等不同主体提供切实可行的决策依据,提高决策效率。近年来,大数据概念被广泛提及,各行业采集并储存着海量领域数据,以大数据为基础的机器学习能够帮助数据用户从这些海量数据中提取出有价值的信息,进而运用到预测、诊断、优化、控制、决策等多个方面。基于数据挖掘技术的预测分析模型已经被广泛应用到制造业、政府机构、电商等各行各业,并且在实际运用中被证实能够很好地提高预测精度。但由于构建的预测分析模型多为高复杂性的黑箱模型,其预测逻辑并不具备可解读性,因此很难获得使用者的信任,这也极大地限制了复杂黑箱模型的实际效用。针对这一问题,本文构建了一套基于可解读机器学习概念的预测分析模型解读及评估方法。研究首先运用机器学习算法构建高精度的预测分析模型,其次建立了两种不同形式的模型解读及评估方法,以满足不同应用场景。构建的两种解读及评估方法分别如下。（一）基于局部可理解的与模型无关的解释技术（Local Interpretation Modelagnostic Explanations）的模型解释及评估方法本文建立的第一种模型解读方法是基于局部可理解的与模型无关的解释技术（LIME）的模型解释及评估方法。其主要思想是通过构建局部线性解释模型对预测个体进行解读,同时基于局部解释模型的参数建立一种信任指数,用于评价复杂黑箱模型的实际表现。（二）基于if-then规则的模型解释及评估方法本文建立的第二种方法是基于if-then规则的模型解释及评估方法。其主要思想是基于if-then规则对影响预测结果的规则进行筛选及提取,得到分流预测结果的规则滤网,进而为模型提供解释。第一种方法能够让预测模型用户了解对单个样本分类贡献最大的以及与之矛盾的部分特征,理解它们如何影响预测结果;而第二种方法则是以“因为特征x=…,所以y=…”的直观因果规则为用户提供预测结果分流的重要原因,并以简单的因果规则为模型的单个样本提供预测解读。这两种方法都能为复杂的高精度预测模型用户提供与模型结构无关的、针对个体样本的解释,为模型理解、评估以及诊断等实际应用场景提供了有效的运维决策依据。本研究采用物流及建筑领域的实际数据对该解读及评估方法的有效性及其普适性进行实例验证,证实可以针对复杂黑箱模型的预测逻辑提供一套普适且有效的解读及评估方法。与一般解读与评估方法不同的是,本研究提供的模型解释及评估方法是针对个体样本的,能够对不同情景下的模型预测逻辑进行更有针对性的解读。同时研究根据个体的预测解读为模型构建新颖的评估指标,为模型评估提供一种全新的个体预测质量评估方法。本研究的成果能够对可解读机器学习相关研究进行拓展,为黑箱模型的解读提供新的方向;同时,方法可以帮助模型使用者更加全面和快速地了解复杂黑箱模型的预测逻辑,增强模型用户对模型的信任度,有利于拓宽模型在数据决策过程中的实际效用。