La formación de hielo en aeronaves representa un grave peligro en la aviación que ha causado una serie de accidentes fatales a lo largo de los años. Además, puede llevar a un aumento sustancial en la resistencia y el peso, reduciendo así el rendimiento aerodinámico del avión. El proceso de acumulación de hielo en una superficie sólida es una interacción compleja de variables aerodinámicas y ambientales. La compleja relación hace que los métodos basados en aprendizaje automático sean una alternativa atractiva a los enfoques tradicionales basados en simulaciones numéricas. En este estudio, introducimos un enfoque puramente basado en datos para encontrar el patrón complejo entre diferentes condiciones de vuelo y la predicción de la severidad del hielo en aeronaves. Se aplica el algoritmo de aprendizaje supervisado Extreme Gradient Boosting (XGBoost) para establecer el marco de predicción que realiza predicciones basadas en cualquier conjunto de observaciones. Las condiciones de vuelo de entrada para el marco de predicción propuesto son el contenido de agua líquida, el diámetro de las gotas y el tiempo de exposición. El enfoque propuesto se demuestra en tres casos: predicción del grosor máximo del hielo, predicción del área de hielo y evaluación del nivel de severidad del hielo. También se realizan estudios de comparación de rendimiento y análisis de errores para verificar la efectividad y el rendimiento del método propuesto. Los resultados muestran que el método propuesto tiene una capacidad razonable para evaluar la severidad del hielo en aeronaves.