是的，AutoML（自动化机器学习）可以生成可解释的决策树，但可解释性取决于 AutoML 系统的配置方式以及训练期间应用的约束。 决策树本质上是可解释的模型，因为它们的结构——表示基于特征的决策的节点和表示结果的叶子——可以被可视化和逻辑地跟踪。 支持基于树算法（如 XGBoost、LightGBM 或 CART）的 AutoML 框架可以生成决策树，但这些树的深度和复杂性决定了它们的可解释性。 例如，具有 3-4 层的浅树比具有数十层的深而茂密的树更容易理解。 大多数 AutoML 工具允许用户设置参数，例如最大树深度或每个叶子的最小样本数，以强制简化，确保输出保持可解释。
像 Google 的 Vertex AI、H2O Driverless AI 这样的 AutoML 平台，或者像 TPOT 和 Auto-Sklearn 这样的开源库，都在其模型搜索空间中包含决策树。 这些工具自动化了超参数调整、特征预处理和模型选择，但如果配置正确，它们可以优先考虑简单性。 例如，使用 TPOT 的开发人员可以通过限制管道中的模型分类器，将搜索限制为决策树。 类似地，在 scikit-learn 的 DecisionTreeClassifier 中设置 max_depth=3（当集成到 AutoML 工作流程中时）会强制树保持浅层，从而更容易可视化和解释。 一些 AutoML 工具还提供训练后可视化选项，例如将树导出为文本或图形图表，这有助于解释决策规则。
但是，存在权衡。 AutoML 系统通常针对准确性进行优化，这可能会导致更深的树或集成（例如，随机森林），从而牺牲可解释性以换取性能。 例如，如果 AutoML 工具默认使用梯度提升树（它结合了许多弱树），那么生成的模型将成为一个“黑匣子”，尽管单个树是可解释的。 为了避免这种情况，开发人员必须显式配置 AutoML 以优先考虑可解释性——例如，通过禁用集成方法或强制执行严格的复杂性限制。 在实践中，这意味着平衡自动化与人工监督。 医疗保健用例可能涉及具有明确规则（例如，“如果年龄 > 50 且血压 > 120，则高风险”）的 AutoML 生成的决策树，临床医生可以验证这些规则，而营销模型可能容忍较低的可解释性以获得更高的精度。 关键在于：AutoML 可以生成可解释的决策树，但它需要深思熟虑的设置，以确保简单性与项目的可解释性需求相一致。