La presión en el cilindro es un parámetro clave para evaluar la salud de los motores marinos; por lo tanto, su medición o predicción es fundamental para el diagnóstico de estos motores. Los modelos termodinámicos se emplean típicamente para predecir la presión en el cilindro, que, sin embargo, enfrentan desafíos relacionados con su calibración y los requisitos de tiempo computacional. Los avances recientes en el campo del aprendizaje automático han aprovechado el desarrollo de modelos basados en datos. Este estudio tiene como objetivo comparar dos enfoques para las características de entrada y seis técnicas de regresión para seleccionar la combinación más efectiva para desarrollar modelos basados en datos que predigan la presión en el cilindro de motores marinos de cuatro tiempos. Inicialmente se comparan dos enfoques con diferentes características de entrada y salida. El primero emplea regresión para predecir directamente la señal de presión en el cilindro, mientras que el segundo predice los coeficientes armónicos mediante regresión y posteriormente estima la presión en el cilindro utilizando una función de serie de Fourier. Se emplean técnicas de regresión típicas, incluyendo regresión lineal, elástica y polinómica, máquinas de soporte vectorial (SVM), árboles de decisión (DT) y redes neuronales artificiales (ANN), para desarrollar modelos basados en datos según el segundo enfoque. Los conjuntos de datos requeridos para el entrenamiento y la prueba se derivan utilizando un gemelo digital físico para el motor marino investigado, que se calibra en función de las pruebas en el taller y las mediciones adquiridas a bordo del barco. La precisión de los modelos basados en datos se estima en función del error cuadrático medio considerando los conjuntos de datos de prueba. Para el modelo basado en datos según el segundo enfoque y la regresión ANN, se lleva a cabo un estudio de sensibilidad considerando los conjuntos de datos de entrenamiento y el número de armónicos para derivar recomendaciones sobre los valores de estos parámetros. Los resultados demuestran que el segundo enfoque proporciona una mayor precisión, mientras que la regresión ANN es la técnica más efectiva para desarrollar modelos basados en datos para estimar la presión en el cilindro, ya que el error cuadrático medio exhibido se mantiene dentro de un bar para la ANN entrenada con 20 muestras. Este estudio apoya el desarrollo y uso de modelos basados en datos para el diagnóstico de la salud de los motores marinos.