Interpretabilno strojno učenje ostvarilo je veliki napredak. Koristi se u širokom području industrija gdje se analiziraju prikupljeni podaci kako bi se iz njih dobila nova znanja koja će pomoći u razvoju te poboljšanju poslovanja. Razumijevanje i povjerenje u modele strojnog učenja te u njihove rezultate glavno je obilježje znanosti. Analitičari, inženjeri, liječnici, istraživači, znanstvenici imaju potrebu razumjeti i vjerovati modelima strojnog učenja te njihovim rezultatima koji utječu na život cijele populacije. U ovome radu prikazana je interpretabilna analiza senzorskih podataka. Analiza se vrši nad podacima prikupljenim mjerenjima plodova breskve. Takvim načinom mjerenja plodovi nisu podvrgnuti nikakvim oštećenjima ploda te se na taj način ostvaruje bitna ušteda. Podaci su analizirani te pripremljeni za daljnju analizu. U samoj pripremi podataka proveden je postupak „ROSE“ za balansiranje podataka. Time se stvara balans tako da svaka klasa sadrži približno isti broj pripadnih klasa kako bi se dobili što bolji krajnji rezultati. Nadalje, nad pripremljenim podacima izrađen je model logističke regresije i slučajnih šuma nad kojima je provedena predikcija za varijablu od interesa. Isti je postupak proveden kroz balansirane, odnosno nebalansirane podatke kako bi se dobila usporedba modela te važnost balansiranja podataka. Dodatno je izrađen model objašnjenja „Break-down“. Navedeni modeli su objašnjeni te su prikazani rezultati u grafičkom obliku.