Este estudio presenta un novedoso marco de evaluación para predecir el rendimiento de páginas web, utilizando algoritmos de aprendizaje automático de vanguardia para mejorar la precisión y eficiencia de la evaluación de la calidad web. Identificamos y analizamos sistemáticamente 59 atributos clave que influyen en el rendimiento del sitio web, derivados de una extensa revisión de literatura que abarca desde 2010 hasta 2024. Al integrar un conjunto completo de métricas de rendimiento que abarcan usabilidad, accesibilidad, relevancia de contenido, atractivo visual y rendimiento técnico, nuestro marco trasciende los métodos tradicionales que a menudo se basan en indicadores limitados. Empleando varios algoritmos de clasificación, incluidas Máquinas de Vectores de Soporte (SVM), Regresión Logística y Bosques Aleatorios, comparamos su efectividad en conjuntos de datos originales y seleccionados por características. Nuestros hallazgos revelan que las SVM lograron la mayor precisión predictiva del 89% con selección de características, en comparación con el 87% sin selección de características. De manera similar, los modelos de Bosques Aleatorios mostraron una ligera mejora, alcanzando el 81% con selección de características versus el 80% sin ella. La aplicación de técnicas de selección de características mejora significativamente el rendimiento del modelo, demostrando la importancia de centrarse en predictores impactantes. Esta investigación aborda lagunas críticas en la literatura existente al proponer una metodología que utiliza características recién extraídas, lo que la hace adaptable para evaluar el rendimiento de varios tipos de sitios web. La integración de herramientas automatizadas para la evaluación y capacidades predictivas permite la identificación proactiva de posibles problemas de rendimiento, facilitando la toma de decisiones informadas durante las fases de diseño y desarrollo. Al cerrar la brecha entre la modelización predictiva y la optimización, este estudio aporta valiosas ideas tanto a los profesionales como a los investigadores, estableciendo nuevos puntos de referencia para futuras investigaciones en la evaluación del rendimiento de páginas web.