决策树是统计机器学习的重要算法之一,其产生的每条路径从根节点到叶结点对应着一条预测规则,因此决策树的本质是从训练数据集中归纳出一组预测规则。集成学习中的Bagging与Boosting思想分别与决策树结合在一起,即多个弱监督模型（决策树）组合成一个更好更全面的强监督模型（树集成模型）。如随机森林（Random Forest,RF）、XGBoost等均为树集成模型。随着信息技术的高速发展,各行各业如医疗健康业、商业金融业、政府部门、企业和科研机构等都积累了海量的数据,越来越多的研究者利用机器学习如树集成模型发现数据中以前未知的且潜在有用的规律或知识,并形成对疾病、经济等方面的预测或分类。然而,单纯的预测或分类已无法满足当前研究者的需要,在集成学习领域中更加强调算法对生成结果背后的理解与可解释性。随着集成学习方法的发展,集成模型的可解释性问题引起了越来越多研究者的关注,传统的可解释性模型如线性回归、Logistic回归等参数模型往往适合于线性问题。而随着数据量的增长,多数数据呈非线性分布,故传统的统计方法很难满足研究者的需要。本文基于能够分析线性、非线性以及具有交互作用的复杂高维数据的树集成模型,给出了可解释性树集成框架的规则提取方法,其基本思想是先建立树集成模型如RF、正则化随机森林、GBM及XGBoost等模型,然后利用规则提取算法从树集成模型生成的规则中提取规则、度量规则、修剪规则、选择规则并利用改进序贯覆盖法筛选简化的预测规则集,实现了预测准确性和可解释性之间的权衡。本研究主要采用基于RF的规则提取方法对顽固性高血压患者人群合并主要不良心血管事件进行疾病预测,能获取较为精细有效地中医四诊信息的可解释性预测规则,特别说明了此方法的关键算法及其参数设定,并定义了准确性和新的可解释性度量,发现此方法能有效提高中医四诊信息的可解释性,并在疾病预测的准确性和解释性之间达到很好地平衡。模型的可解释性一直具有重要的理论和实践价值,高的可解释性模型更值得信赖且容易被接受。