Los métodos basados en datos se utilizan ampliamente para el desarrollo de Mapas de Susceptibilidad a Deslizamientos de Tierra (MSD). Los resultados de estos métodos son sensibles a diferentes factores, como la calidad de los datos de entrada, la elección del algoritmo, las estrategias de muestreo y las proporciones de división de datos. En este estudio, se utilizan cinco algoritmos diferentes de Aprendizaje Automático (AA) para MSD en el distrito de Wayanad en Kerala, India, utilizando dos estrategias de muestreo diferentes y nueve proporciones de entrenamiento a prueba en validación cruzada. Los resultados muestran que los algoritmos de Bosque Aleatorio (BA), K Vecinos Más Cercanos (KNN) y Máquina de Vectores de Soporte (MVS) proporcionan mejores resultados que Naïve Bayes (NB) y Regresión Logística (RL) para el área de estudio. Los algoritmos NB y RL son menos sensibles a la estrategia de muestreo y a la división de datos, mientras que el rendimiento de los otros tres algoritmos se ve considerablemente influenciado por la estrategia de muestreo. A partir de los resultados, tanto la elección del algoritmo como la estrategia de muestreo son críticas para obtener el mapa de susceptibilidad a deslizamientos de tierra más adecuado para una región. Las precisiones de los algoritmos KNN, BA y MVS han aumentado en un 10.51%, 10.02% y 4.98% con el uso de datos de inventario de deslizamientos de tierra en polígonos, mientras que para los algoritmos NB y RL, el rendimiento se redujo ligeramente con el uso de datos en polígonos. Así, la estrategia de muestreo y la proporción de división de datos son menos significativas con los algoritmos NB y RL, mientras que más puntos de datos proporcionan mejores resultados para los algoritmos KNN, BA y MVS.