El trastorno por déficit de atención con hiperactividad (TDAH) es una afección neurodesarrollada común en niños y se caracteriza por desafíos en mantener la atención, hiperactividad y comportamientos impulsivos. A pesar de la investigación en curso, todavía no entendemos completamente qué causa el TDAH. La electroencefalografía (EEG) ha surgido como una herramienta valiosa para investigar patrones neurales relacionados con el TDAH debido a su alta resolución temporal y no invasividad. Este estudio tiene como objetivo contribuir a la precisión diagnóstica aprovechando los datos de EEG para clasificar a los niños con TDAH y a los controles sanos. Utilizamos un conjunto de datos que contenía grabaciones de EEG de 60 niños con TDAH y 60 controles sanos. Los datos de EEG fueron capturados durante tareas cognitivas y comprendían señales de 19 canales en todo el cuero cabelludo. Nuestro objetivo principal era desarrollar un modelo de aprendizaje automático capaz de distinguir a los sujetos con TDAH de los controles utilizando los datos de EEG como características discriminatorias. Empleamos varios clasificadores conocidos, incluido un máquina de vectores de soporte, bosque aleatorio, árbol de decisiones, AdaBoost, Naive Bayes y análisis discriminante lineal, para discernir patrones de EEG distintivos. Para mejorar aún más la precisión de la clasificación, exploramos el impacto de los datos regionales en los resultados de la clasificación. Organizamos los datos de EEG de acuerdo con las regiones cerebrales de las que se derivaron (principalmente frontal, temporal, central, parietal y occipital) y examinamos sus efectos colectivos en la precisión de nuestras clasificaciones. Especialmente, consideramos combinaciones de tres regiones a la vez y encontramos que ciertas combinaciones condujeron a una precisión mejorada. Nuestros hallazgos destacan el potencial de la clasificación basada en EEG para distinguir a los niños con TDAH de los controles sanos. El clasificador Naive Bayes obtuvo la mayor precisión (84%) cuando se aplicó a combinaciones de regiones específicas. Además, evaluamos el rendimiento de la clasificación basado en datos de EEG específicos de hemisferio y encontramos resultados prometedores, especialmente al utilizar los canales de región del hemisferio derecho.