Los conjuntos de árboles de decisión, como los Bosques Aleatorios y las Máquinas de Aumento de Gradiente, logran una alta precisión predictiva pero a menudo sufren de una transparencia limitada debido a su complejidad estructural. Debido a esta falta, surgen desafíos de interpretabilidad en dominios donde la comprensión del modelo, la responsabilidad y la confianza son esenciales. Por lo tanto, se han propuesto muchas técnicas de interpretabilidad/explicabilidad para los conjuntos basados en árboles. Sin embargo, aunque hay suficientes encuestas o resúmenes sobre interpretabilidad/explicabilidad en inteligencia artificial o aprendizaje automático en general, hay muy pocas encuestas y resúmenes sobre interpretabilidad/explicabilidad para conjuntos basados en árboles. Este documento proporciona una visión general de los enfoques recientes para la interpretabilidad y la explicabilidad en conjuntos de árboles de decisión. Presentamos dos categorizaciones: una basada en el tipo de técnica/arquitectura utilizada y la segunda basada en el nivel de alcance. La primera es una taxonomía unificada de métodos adquiridos (o post hoc) e inherentes analizados más a fondo en dos niveles más. La segunda se refiere a la distinción entre métodos locales (o relacionados con la instancia) y globales (o relacionados con el modelo). Además, proporcionamos una encuesta de los métodos/técnicas de interpretabilidad/explicabilidad utilizados en diversas aplicaciones de dominio, como la atención médica, las finanzas, el derecho y la preservación de la privacidad. Esta visión general aclara el panorama actual del aprendizaje de conjuntos interpretables/explicables, abordando explícitamente los desafíos emergentes. En última instancia, tiene como objetivo apoyar a investigadores y profesionales en la selección y desarrollo de modelos de conjuntos que vayan más allá del tradicional compromiso entre precisión e interpretabilidad, alineando el poder predictivo con estrictos requisitos de transparencia regulatorios, operativos y específicos del dominio.