Este estudio es una comparación de eficiencia entre cuatro métodos para la producción de mapas de susceptibilidad a deslizamientos de tierra (LSMs), que incluyen el bosque aleatorio (RF), la red neuronal artificial (ANN) y la regresión logística (LR) como técnicas de aprendizaje automático (ML) y la razón de frecuencia (FR) como un método estadístico. El área de estudio está ubicada en la Prefectura de Hiroshima del Sur en Japón occidental, una localidad conocida por sufrir desastres de deslizamientos de tierra inducidos por la lluvia, el más reciente en julio de 2018. Los factores de condicionamiento de deslizamientos de tierra (LCFs) considerados en este estudio son la litología, el uso del suelo, la altitud, el ángulo de la pendiente, la orientación de la pendiente, la distancia al drenaje, la distancia a la linealidad, la clase de suelo y la precipitación media anual. Los datos de LCF de lluvia comprenden registros de radar de XRAIN (eXtended RAdar Information Network), que son novedosos en la tarea de producción de LSM. La precisión de los LSM producidos se calculó con el área bajo la curva de características operativas del receptor (AUROC), y se utilizó un sistema automático de ajuste de hiperparámetros y comparación de resultados basado en las puntuaciones de AUROC. Las puntuaciones de AUROC calculadas de los LSM resultantes fueron 0.952 para el método RF, 0.9247 para el método ANN, 0.9016 para el método LR y 0.8424 para el FR. También es notable que los métodos de ML son sustancialmente más rápidos y prácticos que el método FR y permiten múltiples y automáticas experimentaciones con diferentes configuraciones de hiperparámetros, proporcionando resultados finos y precisos con los datos dados. Los resultados evidencian que las técnicas de ML son más eficientes al tratar problemas de evaluación de riesgos como el ejemplificado en este estudio. Aunque la conclusión de que el método RF es el más preciso para la producción de LSM fue encontrada por otros autores en la literatura, la eficiencia del método ML puede variar dependiendo del área de estudio específica, y por lo tanto se aconseja el uso de un sistema automático de producción de LSM de múltiples métodos con ajuste de hiperparámetros como el utilizado en este estudio. También se encontró que los datos de precipitación media anual adquiridos por radar XRAIN son efectivos cuando se utilizan como un LCF en la producción de LSM.