Las condiciones de sequía plantean desafíos significativos para la agricultura sostenible y la seguridad alimentaria. Identificar cepas microbianas que puedan mitigar los efectos de la sequía es crucial para mejorar la resiliencia y productividad de los cultivos. Este estudio presenta una comparación exhaustiva de varios modelos de aprendizaje automático, incluidos Random Forest, Decision Tree, XGBoost, Support Vector Machine (SVM) y Artificial Neural Network (ANN), para predecir cepas microbianas óptimas para este propósito. Los modelos fueron evaluados en múltiples métricas, como precisión, desviación estándar de los resultados, ganancias, tiempo total de computación y tiempo de entrenamiento por cada 1000 filas de datos. Notablemente, el modelo de Gradient Boosted Trees superó a los demás en precisión pero requirió recursos computacionales extensos. Esto subraya el equilibrio entre precisión y eficiencia computacional en aplicaciones de aprendizaje automático. Aprovechar el aprendizaje automático para seleccionar cepas microbianas significa un avance más allá de los métodos tradicionales, ofreciendo una mayor eficiencia y eficacia. Estas ideas tienen profundas implicaciones para la agricultura, especialmente en lo que respecta a la mitigación de la sequía, promoviendo así la causa de la agricultura sostenible y garantizando la seguridad alimentaria.