Actualmente, la mayoría de las empresas mineras realizan análisis químicos por fluorescencia de rayos X realizados en laboratorio para evaluar la calidad del mineral de hierro, donde el enfoque se centra principalmente en el contenido de Fe y la presencia de impurezas. Sin embargo, este tipo de análisis requiere la inversión de tiempo y dinero, y los resultados a menudo solo están disponibles después de que el mineral ya ha sido enviado por la planta de procesamiento. La espectroscopia de reflectancia es un método alternativo que puede contribuir significativamente a este tipo de aplicación, ya que consiste en una técnica de análisis no destructiva que no requiere preparación de la muestra, además de poner los análisis disponibles de manera más activa. Entre los desafíos de trabajar con la espectroscopia de reflectancia se encuentra el gran volumen de datos producidos. Sin embargo, una forma de optimizar este tipo de enfoque es utilizar técnicas de aprendizaje automático. Por lo tanto, el objetivo principal de este estudio fue la calibración y evaluación de modelos para analizar la calidad del Fe de Sinter Feed recolectado de depósitos en la Provincia Mineral de Carajás, Brasil. Para lograr este objetivo, se probaron modelos de aprendizaje automático utilizando bibliotecas espectrales y datos de fluorescencia de rayos X de muestras de Sinter Feed. Los modelos más eficientes para estimar Fe fueron Adaboost y la máquina de vectores de soporte y nuestros resultados destacan la posibilidad de aplicación en las muestras sin necesidad de preparación y optimización del tiempo de análisis, proporcionando resultados de manera oportuna para contribuir a la toma de decisiones en la cadena de producción.