La enfermedad de Parkinson (EP) es una afección neurodegenerativa que afecta el correcto funcionamiento del sistema motor en el cuerpo humano. Los pacientes muestran una capacidad reducida para producir expresiones faciales (FEs) entre diferentes síntomas, como la hipomimia. Al ser una enfermedad tan difícil de detectar en sus etapas iniciales, se pueden crear sistemas automáticos para ayudar a los médicos en la evaluación y detección de pacientes utilizando biomarcadores básicos. En este trabajo, presentamos varios experimentos donde se extraen características de imágenes de FEs producidas por pacientes con EP y controles sanos. Métodos clásicos de aprendizaje automático como los patrones binarios locales y los histogramas de gradientes orientados se utilizan para modelar las imágenes. De manera similar, se utiliza un método de clasificación bien conocido, es decir, la máquina de vectores de soporte, para la discriminación entre pacientes con EP y sujetos sanos. Las regiones más informativas de las caras se encuentran con un algoritmo de análisis de componentes principales. Se modelaron tres FEs diferentes: enojo, felicidad y sorpresa. Se obtuvieron buenos resultados en la mayoría de los casos; sin embargo, la felicidad fue la que arrojó mejores resultados, con precisión de hasta 80.4%. Los métodos utilizados en este trabajo son clásicos y bien conocidos por la comunidad investigadora; sin embargo, su principal ventaja es que proporcionan claridad interpretativa, lo cual es valioso para muchos investigadores y especialmente para los clínicos. Este trabajo puede considerarse como una buena línea base que motiva a otros investigadores a proponer nuevas metodologías que arrojen mejores resultados manteniendo la característica de proporcionar interpretabilidad.