El análisis espectral de rayos gamma preciso es crucial en aplicaciones de alto riesgo, como la seguridad nuclear. Los esfuerzos de investigación para implementar enfoques de aprendizaje automático (ML) para un análisis preciso están limitados por la semejanza de los datos de entrenamiento con los escenarios de prueba. La forma espectral subyacente de los datos sintéticos puede no reflejar perfectamente las configuraciones medidas, y las campañas de medición pueden estar limitadas por restricciones de recursos. En consecuencia, los algoritmos de ML para la identificación de isótopos deben mantener un rendimiento de clasificación preciso bajo cambios de dominio entre los datos de entrenamiento y prueba. Con este fin, se entrenaron cuatro clasificadores diferentes (Ridge, Random Forest, Extreme Gradient Boosting y Multilayer Perceptron) en el mismo conjunto de datos y se evaluaron en doce conjuntos de datos adicionales con diferentes distancias de separación, blindaje y configuraciones de fondo. Se introdujo un enfoque estadístico personalizado para cuantificar la similitud entre las configuraciones de entrenamiento y prueba, que luego se relacionó con el rendimiento predictivo. Las pruebas de rango con signo de Wilcoxon revelaron que el XGB envuelto en OVR superó significativamente a los otros algoritmos, con niveles de confianza del 99.0% o más para las fuentes de Ba, Co, Cs y Eu. Los hallazgos de este trabajo son significativos, ya que delinean técnicas para promover el desarrollo de enfoques robustos basados en ML para la identificación de isótopos.