Entender el razonamiento detrás de la decisión de un modelo predictivo es un problema importante y de larga data impulsado por consideraciones éticas y legales. La investigación más reciente se ha centrado en la interpretabilidad de los modelos supervisados, mientras que el aprendizaje no supervisado ha recibido menos atención. Sin embargo, la mayor parte del enfoque se centró en interpretar el modelo completo de una manera que socavaba la precisión o las suposiciones del modelo, mientras que la interpretación local recibió mucha menos atención. Por lo tanto, proponemos una interpretación intrínseca para el modelo de mezcla gaussiana que proporciona tanto una visión global como interpretaciones locales. Empleamos el coeficiente de Bhattacharyya para medir la superposición y divergencia entre clústeres para proporcionar una interpretación global en términos de las diferencias y similitudes entre los clústeres. Al analizar el exponente GMM con la transformación corr-max de Garthwaite-Kock, se proporciona la interpretación local en términos de la contribución relativa de cada característica a la distancia general. Los resultados experimentales obtenidos en tres conjuntos de datos muestran que el método de interpretación propuesto supera al LIME agnóstico al modelo post hoc en la determinación de la contribución de las características a la asignación de clústeres.