Predecir la estabilidad química de materiales aún por descubrir es un aspecto importante en el descubrimiento y desarrollo de materiales virtuales. El enfoque convencional para calcular la entalpía de formación basado en métodos ab initio es lento y exigente computacionalmente. En este sentido, se proponen enfoques alternativos de aprendizaje automático para predecir las energías de formación de diferentes clases de materiales con una precisión decente. En este artículo, se presenta un enfoque de aprendizaje automático, un método novedoso de dos pasos que predice la energía de formación de compuestos ternarios. En el primer paso, con un clasificador, determinamos la precisión de las energías de formación calculadas heurísticamente para aumentar el tamaño del conjunto de datos de entrenamiento para el segundo paso. El segundo paso es un modelo de regresión que predice la energía de formación de los compuestos ternarios. El primer paso lleva a un aumento de al menos el 100% en el tamaño del conjunto de datos con respecto a los datos disponibles en la base de datos del Proyecto de Materiales. Los resultados del modelo de regresión coinciden con los de los modelos de predicción existentes de última generación. Además, proponemos una versión ligeramente modificada del optimizador Adam, llamada Adam centrado, y reportamos los resultados de probar el optimizador Adam centrado.