El aprendizaje automático tiene el potencial de predecir datos no vistos y así mejorar la productividad y los procesos de las actividades diarias. Sin embargo, a pesar de su adaptabilidad, varias aplicaciones sensibles basadas en esta tecnología no pueden comprometer nuestra confianza en ellas; por lo tanto, los modelos de aprendizaje automático altamente precisos requieren razón. Tales modelos son cajas negras para los usuarios finales. Por lo tanto, el concepto de interpretabilidad juega un papel al ayudar a los usuarios de un par de maneras. Los modelos interpretables son modelos que poseen la cualidad de explicar predicciones. Se han propuesto diferentes estrategias para el concepto mencionado anteriormente, pero algunas de ellas requieren una cantidad excesiva de esfuerzo, carecen de generalización, no son agnósticas y son computacionalmente costosas. Por lo tanto, en este trabajo, proponemos una estrategia que puede abordar los problemas mencionados anteriormente. Un modelo sustituto nos ayudó a construir modelos interpretables. Además, nos ayudó a lograr resultados con precisión cercana a la del modelo de caja negra pero con menos tiempo de procesamiento. Por lo tanto, la técnica propuesta es computacionalmente más económica que los métodos tradicionales. La importancia de esta técnica novedosa es que los desarrolladores de ciencia de datos no tendrán que realizar actividades manuales extenuantes para llevar a cabo tareas de ingeniería de características y los usuarios finales tendrán una explicación basada en gráficos de modelos complejos de una manera comprensiva, lo que construirá confianza en una máquina.