Visualizar los límites de decisión de los clasificadores de aprendizaje automático puede ayudar en el diseño, prueba y ajuste de los clasificadores. Los mapas de decisión son técnicas de visualización que superan la limitación clave relacionada con la escasez de los diagramas de dispersión para esta tarea. Para aumentar la confiabilidad del uso de mapas de decisión, realizamos una evaluación exhaustiva considerando las técnicas de proyección de reducción de dimensionalidad (DR) que subyacen a la construcción de mapas de decisión. Ampliamos la precisión visual de los mapas de decisión proponiendo técnicas adicionales para suprimir errores causados por distorsiones de proyección. Además, proponemos formas de estimar y codificar visualmente la distancia al límite de decisión en los mapas de decisión, enriqueciendo así la información transmitida. Demostramos nuestras mejoras y las ideas que los mapas de decisión transmiten en varios conjuntos de datos del mundo real.