Las enfermedades de la piel en pieles ricas en melanina a menudo presentan desafíos diagnósticos debido a las características únicas de los tonos de piel más oscuros, lo que puede llevar a diagnósticos erróneos o a un tratamiento retrasado. Esta disparidad afecta a millones dentro de diversas comunidades, destacando la necesidad de herramientas de diagnóstico precisas basadas en inteligencia artificial. En este documento, investigamos el rendimiento de tres métodos de aprendizaje automático: Máquinas de Vectores de Soporte (SVM), Bosques Aleatorios (RF) y Árboles de Decisión (DT), combinados con modelos de aprendizaje profundo de última generación (SOTA), EfficientNet, MobileNetV2 y DenseNet121, para predecir condiciones de la piel utilizando imágenes dermatoscópicas del conjunto de datos HAM10000. Las características se extrajeron utilizando los modelos de aprendizaje profundo, con las etiquetas codificadas numéricamente. Para abordar el desequilibrio de datos, se aplicaron técnicas de SMOTE y re-muestreo. Además, se utilizó el Análisis de Componentes Principales (PCA) para la reducción de características, y se realizó un ajuste fino para optimizar los modelos. Los resultados demostraron que RF con DenseNet121 logró una precisión superior del 98.32%, seguido de SVM con MobileNetV2 al 98.08%, y Árbol de Decisión con MobileNetV2 al 85.39%. Los métodos propuestos superan el SVM con el modelo SOTA EfficientNet, validando la robustez de los enfoques propuestos. Se utilizaron métricas de evaluación como precisión, exactitud, recuperación y puntuación F1 para evaluar el rendimiento, mostrando el potencial de estos métodos para avanzar en el diagnóstico de enfermedades de la piel en poblaciones diversas.