Dieses Kapitel behandelt die Bedeutung und Entwicklung von Methoden im Bereich des interpretierbaren Machine Learnings (IML). Während klassisches Machine Learning sich hauptsächlich auf die Vorhersageleistung konzentriert, zielt IML darauf ab, die zugrunde liegenden Algorithmen von Modellen verständlich zu machen. Dies ist besonders in Bereichen wichtig, in denen nicht nur Vorhersagen, sondern auch Erklärungen und Interpretationen gefragt sind wie etwa in explorativen wissenschaftlichen Studien oder bei Anwendungen, mit denen Entscheidungen über Individuen getroffen werden. IML-Methoden ermöglichen es, den Einfluss einzelner Features auf die Vorhersage eines Modells zu quantifizieren, was vor allem bei komplexen Black-Box-Modellen notwendig ist, die ohne klar interpretierbare Parameter arbeiten. So tragen IML-Methoden auch zur Prüfung der Fairness und Sicherheit von ML-Modellen bei. Das Kapitel führt verschiedene IML-Techniken ein, darunter Permutationsmethoden zur Bestimmung der Variable Importance sowie Partial Dependence Plots (PDs) und Individual Conditional Expectation Plots (ICEs), die den Einfluss einzelner Features auf Vorhersagen visualisieren. Zusätzlich werden Counterfactuals vorgestellt, die aufzeigen, welche Änderungen von Eingabewerten zu einem bestimmten Ergebnis führen würden. Das Feld der IML ist ein junges und sehr aktives Forschungsgebiet, so dass die hier vorgestellten Verfahren stetig weiterentwickelt werden.