El aprendizaje automático (ML) se utiliza cada vez más en la elaboración de mapas de susceptibilidad a deslizamientos de tierra (LSM), aunque persisten desafíos en la interpretación de las predicciones de los modelos de ML. Para revelar la relación de respuesta entre la susceptibilidad a deslizamientos de tierra y los factores de evaluación, se construyó un modelo de interpretabilidad para analizar cómo se realizan los resultados del modelo de ML. Este estudio se centra en el condado de Zhenba en la provincia de Shaanxi, China, empleando tanto Random Forest (RF) como Support Vector Machine (SVM) para desarrollar modelos de LSM optimizados a través de Random Search (RS). Para mejorar la interpretabilidad, el estudio incorpora técnicas como Partial Dependence Plot (PDP), Local Interpretable Model-Agnostic Explanations (LIMEs) y Shapley Additive Explanations (SHAP). El modelo RF optimizado por RS demostró un rendimiento superior, logrando un Área Bajo la Curva (AUC) de 0.965. El modelo de interpretabilidad identificó el NDVI y la distancia desde la carretera como factores importantes que influyen en la ocurrencia de deslizamientos de tierra. El NDVI juega un papel positivo en la ocurrencia de deslizamientos de tierra en esta región, y las áreas propensas a deslizamientos se encuentran a menos de 500 m de la carretera. Estos análisis indican la importancia de una mejor selección de hiperparámetros para mejorar la precisión y el rendimiento del modelo. El modelo de interpretabilidad proporciona valiosos conocimientos sobre LSM, facilitando una comprensión más profunda de los mecanismos de formación de deslizamientos de tierra y guiando la formulación de estrategias efectivas de prevención y control.