El documento desarrolla una metodología de programación de objetivos basada en múltiples criterios, para evaluar diferentes modelos de regresión de aprendizaje automático (ML) bajo criterios de precisión y eficiencia temporal. La metodología desarrollada proporciona a los usuarios una gran flexibilidad en la evaluación de los modelos, ya que permite un análisis de sensibilidad rápido y computacionalmente eficiente de los pesos de importancia de la precisión y el tiempo, así como de los valores de umbral de importancia de la precisión y el tiempo. Se evaluaron cuatro modelos de regresión, a saber, el árbol de decisión, el bosque aleatorio, el vector de soporte y la red neuronal. La metodología desarrollada se empleó para predecir el tiempo hasta las fallas de los Turbofans de la NASA. Los resultados revelan que la regresión del árbol de decisiones (DTR) parece ser preferida para valores bajos de pesos de precisión (hasta un 30%) y valores bajos de eficiencia de precisión y tiempo. A medida que los pesos de precisión tienden a aumentar y para valores más altos de eficiencia de precisión y tiempo, la regresión del bosque aleatorio (RFR) parece ser la mejor opción. Sin embargo, la preferencia por el modelo RFR parece cambiar hacia la adopción de la red neuronal para pesos de precisión iguales o superiores al 90%.