La visualización de datos tiene varias ventajas, como representar grandes cantidades de datos y demostrar visualmente patrones dentro de ellos. Los métodos de aprendizaje manifold nos ayudan a estimar representaciones de datos en dimensiones más bajas, lo que permite visualizaciones más efectivas. En el análisis de datos, confiar en una sola vista puede llevar a conclusiones engañosas debido a su perspectiva limitada. Por lo tanto, aprovechar múltiples vistas simultáneamente e interactivamente puede mitigar este riesgo y mejorar el rendimiento al explotar diversas fuentes de información. Además, incorporar diferentes vistas de manera concurrente durante el proceso de construcción del gráfico utilizando un enfoque de visualización interactiva ha mejorado el rendimiento general. En este artículo, introducimos un nuevo algoritmo para la construcción de gráficos consistentes de manera conjunta y la estimación de etiquetas. Nuestro método construye simultáneamente un gráfico unificado y predice las etiquetas de muestras no etiquetadas. Además, el enfoque propuesto estima una matriz de proyección que permite la predicción de etiquetas para muestras no vistas. Además, incorpora la información en el espacio de etiquetas para mejorar aún más la precisión. Adicionalmente, fusiona la información en diferentes vistas junto con las etiquetas para construir un gráfico de consenso. Los resultados experimentales realizados en varias bases de datos de imágenes demuestran la superioridad de nuestro enfoque de fusión en comparación con el uso de una sola vista u otros algoritmos de fusión. Esto resalta la efectividad de aprovechar múltiples vistas y construir simultáneamente un gráfico unificado para mejorar el rendimiento en tareas de clasificación y visualización de datos en contextos semi-supervisados.