En este estudio, se utilizaron datos espectrales dentro del rango de longitud de onda de 400-780 nm para evaluar las etapas de madurez de las frutas de achacha. El estado de madurez de las frutas de achacha se dividió en siete etapas. Se utilizaron enfoques promedio y basados en píxeles para evaluar la madurez. La precisión y la precisión del error de nivel único de cada etapa de madurez se predijeron utilizando modelos de clasificación (Máquina de Vectores de Soporte (SVM), Análisis Discriminante de Cuadrados Parciales (PLS-DA), Red Neuronal Artificial (ANN) y Vecino Más Cercano (KNN)) y modelos de regresión (Regresión de Cuadrados Parciales (PLSR) y Regresión de Vectores de Soporte (SVR)). Además, se investigó cómo la curvatura de la superficie de la fruta afectaba la predicción de la etapa de madurez. Con el uso de un espectro promediado de muestras de frutas, la precisión del modelo utilizado en este estudio osciló entre 52.25% y 79.75%, y la precisión del error de nivel único (94.75-100%) fue mucho mayor. El modelo SVM tuvo la mayor precisión (79.75%), y el modelo PLSR tuvo la mayor precisión del error de nivel único (100%). Con el uso de resultados de predicción de madurez basados en píxeles y regla de mayoría, la precisión (58.25-79.50%) y la precisión del error de nivel único (95.25-99.75%) de todos los modelos fue comparable con la precisión predicha mediante el uso de espectro promediado. Los resultados de predicción basados en píxeles mostraron que la curvatura de la fruta podría tener un efecto notable en los valores de evaluación de madurez de las frutas de achacha con una etapa de madurez baja o alta. Por lo tanto, utilizar los datos espectrales en la región central de las frutas de achacha sería una elección relativamente confiable para la evaluación de la madurez. Para una fruta de achacha, el valor de madurez de la cara de la fruta expuesta al sol podría ser un nivel más alto que el de la cara en sombra. Además, cuando el valor de madurez de la fruta de achacha estaba cerca del valor medio de dos valores de etapa de madurez adyacentes, todos los modelos tenían una alta probabilidad de tener errores de madurez de un nivel. Por lo tanto, utilizar un modelo con alta precisión de error de un nivel para la clasificación sería una elección práctica para el procesamiento postcosecha de las frutas de achacha.