La selección genómica (GS) es un método revolucionario de aprendizaje automático estadístico para avanzar en la cría de plantas y animales. Sin embargo, su implementación práctica sigue siendo desafiante debido a numerosos factores que afectan su rendimiento predictivo. Esta investigación explora el potencial de la ampliación de datos para mejorar la precisión de la predicción en conjuntos de datos enteros y específicamente dentro del 20% superior del conjunto de pruebas. Nuestros hallazgos indican que, en general, el método de ampliación de datos (método A), en comparación con el modelo convencional (método C) y evaluado utilizando el Error de Predicción Absoluto del Arcotangente Medio (MAAPE) y el error cuadrático medio normalizado (NRMSE), no mejoró la precisión de la predicción para las variedades no observadas. Sin embargo, se observaron mejoras significativas en la precisión de la predicción (evidenciadas por la reducción del error de predicción) cuando la ampliación de datos se aplicó exclusivamente al 20% superior del conjunto de pruebas. Específicamente, se observaron reducciones en MAAPE_20 y NRMSE_20 del 52.86% y 41.05%, respectivamente, en varios conjuntos de datos. Se necesita una investigación adicional para refinar las técnicas de ampliación de datos para su uso efectivo en la predicción genómica.