El análisis envolvente de datos (DEA) es un enfoque líder en el análisis de rendimiento y descubrimiento de nuevos puntos de referencia, y los modelos tradicionales de DEA no pueden prever la eficiencia futura de las unidades de toma de decisiones (DMUs). El aprendizaje automático, como las redes neuronales artificiales (ANN), las máquinas de soporte vectorial/regresión (SVM/SVR), la regresión de búsqueda de proyección (PPR), etc., se han considerado beneficiosos para los gerentes en la predicción de comportamientos del sistema. PPR es especialmente adecuado para muestras pequeñas y de distribución no normal, los casos habituales en el análisis de DEA. Este documento integra DEA y PPR para cubrir las deficiencias que enfrentamos al usar DEA y DEA-BPNN, DEA-SVR, etc. Este estudio explora las ventajas de combinar estos métodos complementarios en un modelo integrado de medición y predicción de rendimiento. En primer lugar, se utiliza el enfoque DEA para evaluar y clasificar la eficiencia de las DMUs. En segundo lugar, establecemos dos modelos combinados DEA-PPR para describir los puntajes de eficiencia de DEA (también llamados función de producción) y la función de frontera eficiente de DEA. Los variables de entrada del primer modelo combinado son indicadores de entrada-salida en el modelo DEA, y la variable de salida es la eficiencia de DEA. En el segundo modelo, sus variables de entrada son indicadores de entrada o salida en el modelo DEA, y la variable de salida es el indicador de entrada óptimo para DEA orientado a la entrada o el indicador de salida para DEA orientado a la salida. Realizamos investigaciones positivas sobre dos ejemplos con datos reales y muestras virtuales pequeñas, medianas y grandes. En comparación con los modelos DEA-BPNN y DEA-SVR, los resultados muestran que el modelo combinado DEA-PPR tiene una capacidad de optimización global más vital, mejor convergencia, mayor precisión y una topología simple. El modelo DEA-PPR puede obtener resultados sólidos tanto para casos pequeños como grandes. Los modelos DEA-BPNN y DEA-SVR no pueden obtener resultados sólidos para muestras pequeñas y medianas debido al sobreajuste. Para muestras grandes, el modelo DEA-PPR supera a DEA-BPNN, DEA-SVR, etc. El modelo combinado DEA-PPR posee una mejor idoneidad, aplicabilidad y fiabilidad que el modelo DEA-BPNN, el modelo DEA-SVR, etc.