Las técnicas de visualización para comprender y explicar modelos de aprendizaje automático han ganado una atención significativa. Una de esas técnicas es el mapa de decisiones, que crea una representación en 2D del comportamiento de decisión de clasificadores entrenados con datos de alta dimensionalidad. Aunque recientemente se han propuesto varias técnicas de mapas de decisión, como los Mapas de Frontera de Decisión (DBMs), Mapas de Frontera de Decisión Supervisados (SDBMs) y DeepView (DV), no existe un marco para evaluar y comparar exhaustivamente estas técnicas. En este documento, proponemos un marco combinando métricas cuantitativas y evaluación cualitativa. Aplicamos nuestro marco a DBM, SDBM y DV utilizando una variedad de técnicas de clasificación y conjuntos de datos tanto sintéticos como del mundo real. Nuestros resultados muestran que ninguna de las técnicas de mapa de decisión evaluadas supera consistentemente a las demás en todos los aspectos medidos. Además, nuestro análisis revela varias propiedades y limitaciones previamente desconocidas de las técnicas de mapas de decisión. Para apoyar a los profesionales, también proponemos un flujo de trabajo para seleccionar la técnica de mapa de decisión más apropiada para los conjuntos de datos, clasificadores y requisitos de la aplicación en cuestión.