La exploración de conjuntos de datos multidimensionales de todos los tamaños y dimensiones posibles es un desafío de larga data en el descubrimiento del conocimiento, el aprendizaje automático y la visualización. Aunque existen múltiples métodos de visualización eficientes para el análisis de datos n-D, la pérdida de información, la oclusión y el desorden continúan siendo un reto. Este artículo propone y explora un nuevo método interactivo para el descubrimiento visual de relaciones n-D para el aprendizaje supervisado. El método incluye algoritmos automáticos, interactivos y combinados para descubrir relaciones lineales, reducción de dimensiones y generalización para relaciones no lineales. Este método es una categoría especial de Coordenadas Generales Lineales (GLC) reversibles. Produce gráficos en 2-D que representan puntos n-D sin pérdida de información, es decir, permitiendo la restauración de datos n-D a partir de los gráficos. Las proyecciones de los gráficos se utilizan para la clasificación. El método se ilustra resolviendo tareas de clasificación y reducción de dimensiones en los dominios del procesamiento de imágenes, diagnósticos médicos asistidos por computadora y finanzas. Los experimentos realizados en varios conjuntos de datos muestran que este método interactivo visual puede competir en precisión con algoritmos de aprendizaje automático analíticos.