El aprendizaje automático interactivo (IML) permite la incorporación de la experiencia humana porque el humano participa en la construcción del modelo aprendido. Además, con el aprendizaje automático con humanos en el bucle (HITL-ML), los expertos humanos dirigen el aprendizaje y pueden orientar el objetivo de aprendizaje no solo hacia la precisión, sino quizás hacia reglas de caracterización y discriminación, donde separar una clase de otras es el objetivo principal. Además, esta interacción permite a los humanos explorar y obtener información sobre el conjunto de datos, así como validar los modelos aprendidos. La validación requiere transparencia y clasificadores interpretables. La enorme relevancia de la clasificación comprensible se ha enfatizado recientemente para muchas aplicaciones bajo el lema de inteligencia artificial explicable (XAI). Utilizamos coordenadas paralelas para implementar un sistema de IML que permite la visualización de clasificadores de árboles de decisión, pero también la generación de divisiones interpretables más allá de las divisiones de ejes paralelos. Además, mostramos que las reglas de caracterización y discriminación también se comunican bien utilizando coordenadas paralelas. En particular, informamos sobre los resultados del estudio de usabilidad más grande de un sistema de IML, confirmando los méritos de nuestro enfoque.