El análisis envolvente de datos (DEA) se ha aplicado ampliamente para evaluar el rendimiento de bancos, empresas, gobiernos, instituciones de investigación, hospitales y otros campos como un método de estimación no paramétrico para evaluar la efectividad relativa de los objetos de investigación. Sin embargo, la composición de su superficie de frontera efectiva se basa en los datos de entrada-salida de las unidades de decisión existentes, lo que hace que sea desafiante aplicar el método para predecir el nivel de rendimiento futuro de otras unidades de decisión. En este artículo, se utiliza el modelo de Medida Basada en Holguras (SBM) en el método DEA para medir los valores de eficiencia relativa de las unidades de decisión, y luego, se utilizan once modelos de aprendizaje automático para entrenar la frontera eficiente absoluta que se aplicará a la predicción de rendimiento de nuevas unidades de decisión. Para mejorar aún más el efecto de predicción de los modelos, este documento propone un conjunto de entrenamiento bajo el método de clasificación DEA, comenzando desde la selección de muestras del conjunto de entrenamiento e indicadores de características de entrada. En este documento, se realiza la predicción de regresión del rendimiento del conjunto de pruebas basado en el conjunto de entrenamiento bajo diferentes combinaciones de clasificación, y se exploran los efectos de predicción de los indicadores relativos proporcionales y los indicadores de números absolutos como características de entrada de aprendizaje automático. Se verifica la robustez de la superficie de frontera efectiva bajo el modelo integrado. Se propone un modelo integrado de DEA y aprendizaje automático con mejores efectos de predicción, tomando como ejemplo la predicción del rendimiento de emisión de dióxido de carbono (emisión de carbono) regional de China. La novedad de este trabajo es principalmente la siguiente: en primer lugar, el modelo integrado puede lograr la predicción de rendimiento mediante la construcción de una superficie de frontera efectiva, y los resultados empíricos muestran que esta es una técnica metodológica factible. En segundo lugar, se discuten dos esquemas para mejorar la efectividad de predicción de modelos integrados en términos de partición de conjuntos de entrenamiento y selección de características, y la efectividad de los esquemas se demuestra utilizando la predicción de rendimiento de emisión de carbono como ejemplo. Este estudio tiene algún valor de aplicación y es un complemento a la literatura existente.