La estimación precisa de la evapotranspiración potencial (PET) es de suma importancia para la gestión de recursos hídricos, especialmente en entornos montañosos mediterráneos que a menudo carecen de datos y son altamente sensibles a la variabilidad climática. Este estudio evalúa el rendimiento de cuatro algoritmos de regresión de aprendizaje automático (ML): Regresión por Vector de Soporte (SVR), Regresión por Bosque Aleatorio (RFR), Regresión por Aumento de Gradiente (GBR) y K-Vecinos Más Cercanos (KNN) en la predicción diaria de PET utilizando datos meteorológicos limitados de una zona de gran altitud en Grecia Central. Los modelos de ML fueron entrenados y probados utilizando entradas meteorológicas fácilmente disponibles: temperatura, humedad relativa y radiación solar extraterrestre, en un conjunto de datos que abarca 11 años (2012-2023). Entre las configuraciones probadas, RFR mostró el mejor rendimiento (R = 0.917, RMSE = 0.468 mm/d, MAPE = 0.119 mm/d) cuando se incluyeron todas las variables de entrada mencionadas anteriormente, aproximándose estrechamente a las salidas de FAO56-PM. Los resultados ponen de manifiesto el potencial de los modelos de aprendizaje automático para estimar de manera confiable la PET en condiciones de escasez de datos, siendo RFR el que mejor rendimiento tuvo, mientras que la inclusión del parámetro de radiación extraterrestre, que se estima fácilmente, en el entrenamiento de los modelos de ML mejora la precisión de la predicción de PET.