是的，AutoML（自动化机器学习）可以生成可解释的机器学习模型，但程度取决于框架、配置和它优先考虑的模型类型。 AutoML 工具自动化了算法选择、超参数调整和特征工程等任务，许多工具都包含优先考虑更简单、更透明模型的选项。例如，Google 的 AutoML Tables 或 H2O 的 Driverless AI 等平台允许用户指定约束条件，以支持可解释的算法，如线性回归、决策树或基于规则的模型。这些模型提供了关于输入特征如何影响预测的清晰见解，与深度神经网络等“黑盒”模型相比，更容易审计和解释。
然而，可解释性和性能之间存在权衡。 AutoML 系统通常默认优化精度，这可能导致像梯度提升树或集成这样的复杂模型。为了解决这个问题，一些工具提供事后解释功能。例如，AutoML 框架可以集成像 SHAP (SHapley Additive exPlanations) 或 LIME (Local Interpretable Model-agnostic Explanations) 这样的技术来解释来自任何模型类型的预测。 像 DataRobot 这样的工具会自动生成特征重要性得分、偏依赖图或决策树可视化以及模型训练。这允许开发人员使用高性能模型，同时仍然深入了解它们的行为，即使底层模型本身并不具有内在的可解释性。
关键的限制是默认情况下并不总是保证可解释性。开发人员必须主动配置 AutoML 管道，以优先考虑可解释的模型或使用内置的解释工具。例如，设置像 TPOT（基于树的管道优化工具）这样的工具来排除神经网络或对决策树强制执行深度限制，可以引导搜索到更简单的结构。此外，特定于领域的 AutoML 解决方案，例如医疗保健或金融领域的解决方案，通常由于监管需要而内置可解释性要求。总而言之，AutoML 可以生成可解释的模型，但实现这一目标需要有意识的设置，并利用该工具以可解释性为中心的功能，而不是仅仅依赖自动化。