El aprendizaje automático ha surgido como un factor clave en muchos avances y aplicaciones tecnológicas y científicas. Se ha dedicado mucha investigación al desarrollo de modelos de aprendizaje automático de alto rendimiento, que pueden realizar predicciones y decisiones muy precisas en una amplia gama de aplicaciones. Sin embargo, todavía buscamos comprender y explicar cómo funcionan estos modelos y toman decisiones. La explicabilidad e interpretabilidad en el aprendizaje automático es un problema significativo, ya que en la mayoría de los problemas del mundo real se considera esencial comprender y explicar el mecanismo de predicción del modelo para poder confiar en él y tomar decisiones sobre cuestiones críticas. En este estudio, desarrollamos un modelo de Caja Gris basado en una metodología semi-supervisada utilizando un marco de auto-entrenamiento. El objetivo principal de este trabajo es el desarrollo de un modelo de aprendizaje automático tanto interpretable como preciso, aunque esto es una tarea compleja y desafiante. El modelo propuesto se evaluó en una variedad de conjuntos de datos del mundo real de los dominios de aplicación crucial de la educación, las finanzas y la medicina. Nuestros resultados demuestran la eficiencia del modelo propuesto, que se desempeña de manera comparable a un modelo de Caja Negra y supera considerablemente a los modelos de Caja Blanca individuales, al mismo tiempo que sigue siendo tan interpretable como un modelo de Caja Blanca.