Actualmente, los métodos de interpretabilidad se centran más en semánticas menos objetivas y comprensibles para los humanos. Para objetivar y estandarizar la investigación sobre interpretabilidad, en este estudio proporcionamos nociones de interpretabilidad basadas en la teoría de aproximación. Primero definimos modelos explicables en términos de explicitud y luego utilizamos la completitud para definir la interpretabilidad, convirtiéndola así en el proceso de aproximación de modelos de caja negra con modelos interpretables. En particular, creemos que el límite de decisión de un modelo de clasificación es equivalente a su interpretabilidad. A continuación, implementamos esta interpretación de aproximación en perceptrones multicapa (MLP) y luego proponemos utilizar el MLP como un intérprete universal para explicar otros modelos complejos de caja negra. En comparación con el método LIME, que solo puede extraer características lineales locales, nuestro método es global y, por lo tanto, se denomina GIME. Experimentos extensos demuestran la efectividad de nuestros enfoques.