Las técnicas de aprendizaje automático para campos aleatorios de Markov son fundamentales en varios campos que involucran reconocimiento de patrones, procesamiento de imágenes, modelado disperso y ciencias de la tierra, y una máquina de Boltzmann es uno de los modelos más importantes en campos aleatorios de Markov. Sin embargo, los problemas de inferencia y aprendizaje en la máquina de Boltzmann son NP-duros. La investigación de un algoritmo de aprendizaje efectivo para la máquina de Boltzmann es uno de los desafíos más importantes en el campo del aprendizaje automático estadístico. En este artículo, estudiamos el aprendizaje de la máquina de Boltzmann basado en el método de integración Monte Carlo espacial (de primer orden), denominado método de aprendizaje 1-SMCI, que fue propuesto en el artículo anterior del autor. En la primera parte de este artículo, comparamos el método con el método de estimación de seudoverosimilitud máxima (MPLE) utilizando enfoques teóricos y numéricos, y mostramos que el método de aprendizaje 1-SMCI es más efectivo que el MPLE. En la última parte, comparamos el método de aprendizaje 1-SMCI con otros métodos efectivos, emparejamiento de ratios y flujo de probabilidad mínimo, utilizando un experimento numérico, y mostramos que el método de aprendizaje 1-SMCI los supera.