La predicción del tiempo siempre ha sido un desafío debido a la naturaleza compleja y dinámica de la atmósfera. Las condiciones meteorológicas, como la lluvia, las nubes, los cielos despejados y la soleada, están influenciadas por varios factores, incluyendo la temperatura, la presión, la humedad, la velocidad y la dirección del viento. Actualmente se utilizan modelos físicos y complejos para determinar las condiciones meteorológicas, pero tienen sus limitaciones, particularmente en términos de tiempo de computación. En los últimos años, los métodos de aprendizaje automático supervisado han mostrado un gran potencial para predecir eventos meteorológicos con precisión. Estos métodos utilizan datos históricos del clima para entrenar un modelo, que luego puede ser utilizado para predecir las condiciones meteorológicas futuras. Este estudio mejora la predicción del tiempo al emplear cuatro técnicas de aprendizaje automático supervisado: redes neuronales artificiales (ANN), máquinas de soporte vectorial (SVM), bosques aleatorios (RF) y k-vecinos más cercanos (KNN) en tres conjuntos de datos distintos obtenidos de la base de datos Weatherstack. Estos conjuntos de datos, con diferentes períodos temporales y niveles de incertidumbre en sus características de entrada, se utilizan para entrenar y evaluar los métodos. Los resultados muestran que la ANN tiene un rendimiento superior en todos los conjuntos de datos. Además, en comparación con el modelo de predicción del clima de Weatherstack, todos los métodos demuestran mejoras significativas. Curiosamente, nuestros modelos muestran variaciones en el rendimiento a través de diferentes conjuntos de datos, particularmente aquellos con características de entrada predichas en lugar de observadas, subrayando las complejidades de manejar la incertidumbre de los datos. El estudio proporciona valiosos conocimientos sobre el uso de técnicas de aprendizaje automático supervisado para la predicción del tiempo y contribuye al desarrollo de modelos de predicción más precisos.