Este estudio enfatiza la explicabilidad de los modelos de aprendizaje automático (ML) en la predicción de la respuesta sísmica de estructuras rígidas basculantes, específicamente utilizando el algoritmo LightGBM. Al emplear SHapley Additive exPlanations (SHAP), gráficos de dependencia parcial (PDP) y efectos locales acumulados (ALE), se ha realizado un análisis exhaustivo de la importancia de las características. Esto reveló que los parámetros del movimiento del suelo, especialmente la aceleración máxima del suelo (PGA), son críticos para predecir pequeñas rotaciones, mientras que los parámetros estructurales como la esbeltez y la frecuencia son más significativos para rotaciones más grandes. Utilizando un extenso conjunto de datos generado a partir de análisis no lineales de la historia temporal, el modelo LightGBM entrenado demostró una alta precisión en la estimación del ángulo máximo de rotación de bloques rígidos bajo movimientos naturales del suelo. El estudio también examinó la sensibilidad del rendimiento del modelo a los umbrales inferiores de la variable objetivo, revelando que conjuntos de características reducidos pueden mantener de manera efectiva el rendimiento predictivo. Estos hallazgos avanzan en la modelización basada en ML de las respuestas basculantes sísmicas, proporcionando modelos interpretables y precisos que mejoran nuestra comprensión del comportamiento dinámico de las estructuras basculantes, lo cual es crucial para diseñar estructuras resilientes y mejorar las evaluaciones de riesgo sísmico. La investigación futura se centrará en incorporar parámetros adicionales y explorar técnicas avanzadas de ML para refinar aún más estos modelos.