Este estudio se refiere a la aplicación del aprendizaje estadístico (SL) en la evaluación del estrés térmico en comparación con los resultados obtenidos por un grupo de expertos internacionales al desarrollar el Índice Universal de Clima Térmico (UTCI). Se evaluó el rendimiento de diversos algoritmos de SL en la predicción de las temperaturas equivalentes del UTCI y en la evaluación del estrés térmico mediante errores cuadráticos medios (RMSE) y el kappa de Cohen. Se obtuvieron un total de 48 predictores formados por 12 variables en cuatro intervalos consecutivos de 30 minutos, calculados para 105,642 condiciones desde frío extremo hasta calor extremo, como resultado de un modelo avanzado de termorregulación humana. Los bosques aleatorios y los vecinos más cercanos predijeron de cerca las temperaturas equivalentes del UTCI con un RMSE de aproximadamente 3 grados Celsius. Sin embargo, el agrupamiento aplicado después de la reducción de dimensiones (análisis de componentes principales y embebido estocástico de vecinos distribuidos en t) fue inadecuado para la evaluación del estrés térmico, mostrando un acuerdo bajo a justo con las categorías de estrés del UTCI (kappa de Cohen < 0.4). Los hallazgos de este estudio informarán la aplicación intencionada del SL en la evaluación del estrés térmico, donde apoyarán al experto biometeorológico.