En el Diseño de Experimentos, buscamos relacionar variables de respuesta con factores explicativos. La metodología de Superficie de Respuesta (RSM) aproxima la relación entre variables de salida y una transformación polinómica de las variables explicativas utilizando un modelo lineal. Algunos investigadores han intentado ajustar otros tipos de modelos, principalmente no lineales y no paramétricos. Presentamos un amplio abanico de enfoques de Aprendizaje Automático que pueden ser buenas alternativas a la aproximación clásica de RSM. Se ofrece el estado del arte de dichos enfoques, que incluye árboles de clasificación y regresión, métodos de conjunto, máquinas de vectores de soporte, redes neuronales y también enfoques directos de múltiples salidas. Revisamos el tema e ilustramos el uso de diez de estos enfoques mediante simulaciones y un caso de uso real. En nuestras simulaciones, el modelo subyacente es lineal en los factores explicativos para una respuesta y no lineal para las demás. Nos centramos en las ventajas y desventajas de los diferentes enfoques y mostramos cómo se pueden ajustar sus hiperparámetros. Nuestras simulaciones muestran que incluso cuando la relación subyacente entre la respuesta y las variables explicativas es lineal, el enfoque de RSM es superado por el modelo multivariante directo de redes neuronales, para cualquier tamaño de muestra.