La presión de base se convierte en un factor decisivo para gobernar la resistencia de base de los vehículos aerodinámicos. Si bien ya se han utilizado varios métodos experimentales y numéricos para el análisis de la presión de base en flujos repentinamente expandidos, su implementación consume bastante tiempo. Por lo tanto, debemos desarrollar un enfoque progresivo para determinar la presión de base (beta). Además, no se puede estudiar una consideración directa de la influencia de los parámetros de flujo y geométricos utilizando estos métodos. Este estudio desarrolla una plataforma para el análisis basado en datos de la predicción de la presión de base (beta) en flujos repentinamente expandidos, en la que se han estudiado la influencia de los parámetros de flujo y geométricos, incluyendo el número de Mach (M), la relación de presión de la boquilla, la relación de área (alpha) y la relación de longitud a diámetro. Se han entrenado tres modelos diferentes de aprendizaje automático (ML), a saber, redes neuronales artificiales (ANN), máquinas de soporte vectorial (SVM) y bosques aleatorios (RF), utilizando una gran cantidad de datos desarrollados a partir de ecuaciones de respuesta. Las ecuaciones de respuesta para la presión de base (beta) se crearon utilizando el enfoque de metodología de superficie de respuesta (RSM). Los resultados predichos se comparan con los resultados experimentales para validar la plataforma propuesta. Los resultados obtenidos de este trabajo se pueden aplicar de manera adecuada para maximizar la presión de base en cohetes y misiles para minimizar la resistencia de base.