Los transformadores de potencia son activos críticos en los sistemas eléctricos de energía, sin embargo, su diagnóstico de fallas a menudo depende de métodos convencionales de análisis de gases disueltos (DGA) como el Pentágono y Triángulo de Duval, Gases Clave y el método de la Relación de Rogers. Aunque estos métodos son comúnmente utilizados, presentan limitaciones en la precisión de clasificación, identificación concurrente de fallas y manejo manual de muestras. En este estudio, se desarrolló un marco de algoritmos de aprendizaje automático optimizados que integra la selección de características estadísticas de Chi-cuadrado con algoritmos de optimización de hiperparámetros de Búsqueda Aleatoria para mejorar la precisión de clasificación de fallas en transformadores utilizando datos de DGA, abordando así las limitaciones de los métodos convencionales y mejorando la precisión diagnóstica. Utilizando la aplicación Classification Learner de MATLAB R2024b, se entrenaron y probaron cinco algoritmos de aprendizaje automático optimizados utilizando 282 muestras de aceite de transformador con diferentes concentraciones de gases DGA obtenidas de transformadores industriales, la base de datos IEC TC10 y la literatura. Los modelos optimizados y evaluados son Discriminante Lineal, Naïve Bayes, Árboles de Decisión, Máquina de Vectores de Soporte, Redes Neuronales, k-Vecinos Más Cercanos y el Algoritmo de Conjunto. De los modelos propuestos, el algoritmo de mejor rendimiento, k-Vecinos Más Cercanos Optimizado, logró una precisión de rendimiento general del 92.478%, seguido por la Red Neuronal Optimizada con un 89.823%. Para evaluar su rendimiento en comparación con los métodos convencionales, se utilizó el mismo conjunto de datos que se usó para los algoritmos de aprendizaje automático optimizados para evaluar el rendimiento de los métodos del Triángulo y Pentágono de Duval utilizando el software VAISALA DGA versión 1.1.0; los modelos propuestos superaron a los métodos convencionales, que solo pudieron lograr una precisión de clasificación del 35.757% y 30.818%, respectivamente. Este estudio concluye que la aplicación de los algoritmos de aprendizaje automático optimizados propuestos puede mejorar la precisión de clasificación de fallas basadas en DGA en transformadores de potencia, apoyando diagnósticos más confiables y estrategias de mantenimiento proactivo.