Los métodos de Evaluación Multi-Criterio basados en Sistemas de Información Geográfica (GIS-MCE) están diseñados para ayudar en diversos problemas de toma de decisiones espaciales utilizando datos espaciales. Derivar los pesos de los criterios es un componente importante de GIS-MCE, que generalmente se basa en las opiniones de las partes interesadas o en métodos matemáticos. Estos enfoques pueden ser costosos, llevar mucho tiempo y ser propensos a la subjetividad o sesgo. Por lo tanto, el objetivo principal de este estudio es investigar el uso de técnicas de Aprendizaje Automático (ML) para apoyar la derivación de pesos de criterios dentro de GIS-MCE. El método propuesto ML-MCE se explora en un estudio de caso sobre el análisis de idoneidad para el desarrollo urbano de la ciudad de Kelowna, Canadá. Se utilizan los valores de importancia de características extraídos de tres técnicas de ML: Bosque Aleatorio (RF), Aumento de Gradiente Extremo (XGB) y Máquina de Vectores de Soporte (SVM) para derivar los pesos de los criterios. Las puntuaciones de idoneidad obtenidas utilizando la metodología ML-MCE se comparan con el enfoque de Pesos Iguales (EW) y el Proceso de Jerarquía Analítica (AHP) para el ponderado de criterios. Los resultados indican que los pesos de criterios derivados de ML pueden ser utilizados en GIS-MCE, donde las técnicas RF y XGB proporcionan valores más similares para los pesos de los criterios que los derivados de SVM. Las similitudes y diferencias se confirman con índices Kappa obtenidos al comparar pares de mapas de idoneidad. La nueva metodología ML-MCE propuesta puede apoyar diversos procesos de toma de decisiones en la planificación del uso del suelo urbano.