La cavitación acústica de los fluidos, así como los fenómenos físicos y químicos relacionados, causa una variedad de efectos que son altamente importantes en los procesos tecnológicos y en la medicina. Por lo tanto, es importante poder controlar las condiciones que permiten que la cavitación comience y progrese. Sin embargo, la predicción precisa de la cavitación acústica depende de una relación compleja entre los parámetros de influencia externa y las características del fluido. El problema multiparamétrico restringe el desarrollo de modelos teóricos exitosos. Como resultado, es fundamental identificar los parámetros más importantes que influyen en el inicio del proceso de cavitación. En este artículo, se investigaron la frecuencia ultrasónica, la presión hidrostática, la temperatura, el desgasificado, la densidad, la viscosidad, el volumen y la tensión superficial de un fluido utilizando aprendizaje automático para determinar su importancia en la predicción de la intensidad de la cavitación acústica. Se entrenaron tres modelos de aprendizaje automático basados en regresión de vectores de soporte (SVR), regresión de cresta (RR) y algoritmos de bosque aleatorio (RF) con diferentes parámetros de entrada. Los resultados mostraron que el algoritmo SVM tuvo un mejor rendimiento que los otros dos algoritmos. Se encontró que los parámetros que afectan los núcleos de cavitación activa, a saber, la presión hidrostática, la frecuencia de ultrasonido y el grado de desgasificado, eran los parámetros de entrada más importantes que influyen en la predicción del umbral de cavitación. Otros parámetros tienen un impacto menor en comparación con los tres primeros, y su papel puede ser compensado por variables alternativas. El desarrollo adicional de los resultados obtenidos proporciona una nueva forma de optimizar y mejorar los modelos teóricos existentes.