本文提出了一种创新的方法，利用可解释机器学习模型预测职业足球运动员的市场价值。使用从 FIFA 网站整理的数据集，我们采用集成机器学习方法结合 Shapley Additive exPlanations (SHAP) 来提供模型预测的详细解释。GBDT 模型在评估模型中表现出最高的平均 R-Squared（0.8780）和最低的平均均方根误差（3,221,632.175），表明其在性能上卓越。我们的分析发现，球控、短传、射门、拦截、带球和抢断等特定技能在技能维度上很重要，而冲刺速度和加速度在健身维度上至关重要，反应在认知维度上占主导地位。我们的结果为市场价值估计提供了更准确、客观和一致的框架，并为球员转会的管理决策提供了有用的见解。

Nov, 2023

机器学习在足球比赛结果预测中已成为一种常见方法，本章讨论了该领域中可用的数据集、模型类型和特征以及评估模型性能的方法。研究发现，目前基于渐变提升树模型（如 CatBoost）和特定于足球比赛的评分（如 pi - 评分）的机器学习模型在只包含进球作为比赛特征的数据集上表现最佳，但需要更详细比较深度学习模型和随机森林在不同类型特征数据集上的性能。此外，可以进一步研究新的评分系统，其中包括球员和团队级别信息，并融合来自时空追踪和事件数据的附加信息。最后，需要提高比赛结果预测模型的可解释性，以使其对团队管理更有用。

Mar, 2024

本文介绍了机器学习和深度学习算法在科学和工业领域中的应用及其不透明性问题，提出了解释性学习算法和可视化方法的重要性。

Sep, 2019

该篇论文综述了深度神经网络在机器学习中的应用，针对一些需要保证安全性的决策（如控制系统和医疗应用），介绍了当前解释性人工智能（XAI）领域的研究，探究和解释 DNNs 内部和整体行为的方法。

Feb, 2021

本文以科学哲学理论作为分析视角，研究解释性方法在神经网络性能评估中的应用，并发现解释性方法的实用性依赖于人类领域知识和理解推理能力。本研究得出结论，基准测试解释性方法是迈向可信人工智能和机器学习的中心任务。

Aug, 2022

基于深度学习的解释性可视化方法在人工智能领域日益被重视，本文总结了目前解释深度学习模型的最新发展，并提出两种解释预测的方法，并将这些方法用于三个分类任务中进行评估。

Aug, 2017

这篇报告对数据驱动方法 - 特别是机器学习和模式识别模型进行了综述和总结，以便于业界从业者和数据科学家更好地理解 “可解释的人工智能” 的领域并应用正确的工具。

Sep, 2020

本研究使用 SML 和可解释 AI 方法对联合行动中的人类决策进行建模、预测和理解。结果表明，模型能够准确地预测专家和新手在任务中的目标选择决策，并能够在演员意识到决策意图之前做出预测。通过可解释 AI 方法发现，专家更受同伴状态的影响，而新手则更受其他信息的影响。

Jun, 2022

该综述论文提供了解释性监督机器学习的基本定义、原则和方法，并对过去和最近的解释性机器学习方法进行了分类和综述。通过解释性案例研究阐明了原则，并讨论了重要的未来方向。

Nov, 2020

研究关注于解决深度学习在运动分析中精度和透明度的权衡问题，并且构建一种基于模型树的简单透明模型，以实现高保真输出、自我解释和为运动员和教练等专家利益相关者提供见解的目标。

Jun, 2020