En el campo de la Inteligencia Artificial (IA) y el Aprendizaje Automático (ML), un objetivo común es la aproximación de funciones objetivo desconocidas utilizando instancias limitadas, donde representa el dominio de interés. Nos referimos a como el conjunto de entrenamiento y buscamos identificar un modelo matemático de baja complejidad que pueda aproximar efectivamente esta función objetivo para nuevas instancias . En consecuencia, la capacidad de generalización del modelo se evalúa en un conjunto separado , donde , frecuentemente con , para evaluar su rendimiento más allá del conjunto de entrenamiento. Sin embargo, ciertas aplicaciones requieren una aproximación precisa no solo dentro del dominio original, sino en un dominio extendido que también lo englobe. Esto se vuelve particularmente relevante en escenarios que involucran el diseño de nuevas estructuras, donde minimizar errores en las aproximaciones es crucial. Por ejemplo, al desarrollar nuevos materiales a través de enfoques basados en datos, el sistema de IA/ML puede proporcionar ideas valiosas para guiar el proceso de diseño al servir como una función sustituta. En consecuencia, el modelo aprendido se puede emplear para facilitar el diseño de nuevos experimentos de laboratorio. En este documento, proponemos un método para regresión multivariante basado en el ajuste iterativo de una fracción continua, incorporando modelos de spline aditivos. Comparamos el rendimiento de nuestro método con técnicas establecidas, incluyendo , , , , , , , , y . Para evaluar estos métodos, nos enfocamos en un problema importante en el campo, a saber, predecir la temperatura crítica de superconductores en función de sus características físico-químicas.