提高SOME模型的可解释性可以通过以下几种方式实现：
特征选择：在构建SOME模型时，选择具有实际含义和解释性的特征。避免使用过多的无关特征，这样可以使模型更容易解释。
可视化：通过可视化工具展示模型的输出结果和预测过程。可以使用图表、图形等方式呈现模型的决策过程和结果，提高模型的可解释性。
解释性算法：使用一些专门设计用于提高模型可解释性的算法，如LIME（Local Interpretable Model-agnostic Explanations）或SHAP（SHapley Additive exPlanations）等，这些算法可以帮助解释模型的预测结果。
文档说明：对模型的构建过程、参数选择、训练数据等进行详细的文档说明，以便他人理解和重现模型。
模型解释工具：利用一些工具或库来解释模型的决策过程，如Skater、ELI5等。
通过以上方法，可以提高SOME模型的可解释性，使其更容易被理解和应用。