将特征可理解性纳入特征选择，为表格数据生成以人为本的解释

研究把基于用户反馈的 Feature Understandability Scale 分数纳入特征选择，提出可理解性感知的特征选择算法，筛选既易懂又有信息量的特征并训练随机森林。基于 SHAP 的解释经用户评估显示，可理解性解释平均得分更高但差异不显著，对比评估中参与者偏好比例显著高于随机水平。结论是可理解性的引入能以极小的分类性能代价提升解释可懂度，但质量变化仍需更大样本验证。