这本书共分为10个章节，从什么是机器学习和可解释的定义解释，到模型的常用解释方法和基于示例的解释，再到机器学习与可解释性的未来，内容一气呵成。 “可解释”是这本书的核心论题，作者认为，可解释性在机器学习甚至日常生活中都是相当重要的一个问题。Molnar表示，虽然数据集与黑盒机器学习解决了很多问题，但这不是最好的使用姿势，现在模型本身代替了数据成为了信息的来源，但可解释性可以提取模型捕捉到的额外信息。而这些额外的信息可能会发挥更大的作用。 对于机器学习方法可解释性，Molnar在书中进行了深刻的讨论，对线性回归、logistic回归、GLM、GAM、决策树、决策规则等可解释模型进行了细致说明