Los algoritmos de predicción de Aprendizaje Automático han hecho contribuciones significativas en el mundo actual, lo que ha llevado a un aumento en su uso en varios dominios. Sin embargo, a medida que los algoritmos de AA se disparan, la necesidad de modelos transparentes e interpretables se vuelve esencial. Las representaciones visuales han demostrado ser fundamentales para abordar este problema, permitiendo a los usuarios comprender el funcionamiento interno de los modelos. A pesar de su popularidad, las técnicas de visualización aún presentan limitaciones de escalabilidad visual, especialmente cuando se aplican para analizar modelos populares y complejos, como los Bosques Aleatorios (RF). En este trabajo, proponemos , una herramienta escalable de análisis visual interactivo diseñada para analizar modelos de conjunto RF. se centra en explicar el mecanismo interno de funcionamiento de los modelos a través de diferentes vistas que describen las predicciones de instancias de datos individuales, proporcionando una visión general de todo el bosque de árboles, y resaltando los valores de las características de entrada de las instancias. La naturaleza interactiva de permite a los usuarios interpretar visualmente los errores y decisiones del modelo, estableciendo la confianza necesaria y la confianza del usuario en los modelos de RF y mejorando el rendimiento.