Métodos computacionales específicos, como los algoritmos de aprendizaje automático, pueden ayudar a los profesionales de la minería a identificar y abordar de manera rápida y consistente problemas de clasificación relacionados con horizontes mineralizados, así como a descubrir variables clave que impactan en los resultados predictivos, muchas de las cuales eran difíciles de observar anteriormente. La integración de variables numéricas y categóricas, que son parte de un conjunto de datos para definir grados de mineral, es parte de la rutina diaria de los profesionales que obtienen los datos y manipulan las diversas fases de análisis en un proyecto minero. Varios métodos y aplicaciones de aprendizaje automático supervisado y no supervisado integran una amplia variedad de algoritmos que tienen como objetivo el reconocimiento eficiente de patrones y similitudes y la capacidad de tomar decisiones precisas y asertivas. El objetivo de este estudio es la clasificación de mineral de oro o ganga a través de métodos de aprendizaje automático supervisado utilizando variables numéricas representadas por el grado y variables categóricas obtenidas a través de descripciones de perforaciones. Se seleccionaron cuatro grupos de variables con diferentes configuraciones de variables. La aplicación de algoritmos de clasificación a diferentes grupos de variables tuvo como objetivo observar las variables de importancia y el impacto de cada una en la clasificación, además de probar el mejor algoritmo en términos de precisión y exactitud. Los conjuntos de datos fueron sometidos a entrenamiento, validación y prueba utilizando los métodos de árbol de decisión, bosque aleatorio, Adaboost, XGBoost y regresión logística. La evaluación se dividió aleatoriamente en entrenamiento (60%) y prueba (40%) con validación cruzada de 10 pliegues. Los resultados revelaron que el algoritmo XGBoost obtuvo el mejor rendimiento, con una precisión de 0.96 para el escenario C1. En el análisis SHAP, la variable As fue prominente en las predicciones, principalmente en los escenarios C1 y C3. La clase de arsénico (Class_As), presente principalmente en el escenario C4, tuvo un peso positivo significativo en la clasificación. En las curvas de Característica Operativa del Receptor (ROC) y Área Bajo la Curva (AUC), los resultados mostraron que XGBoost/escenario C1 obtuvo el AUC más alto de 0.985, lo que indica que el algoritmo tuvo el mejor rendimiento en la clasificación de mineral/ganga del conjunto de muestras. El algoritmo de regresión logística junto con AdaBoost tuvo el peor rendimiento, variando también entre escenarios.