Este documento propone y demuestra un enfoque de aprendizaje automático en conjunto adaptado al dominio para mejorar la predicción de la rugosidad superficial (Ra) durante el mecanizado de materiales poliméricos. La metodología del modelo propuesto emplea una arquitectura de tubería en dos etapas, donde los datos clasificados se introducen en el modelo para un análisis regresivo. Primero, un clasificador (Regresión Logística o XGBoost, seleccionado en función del rendimiento) categoriza los datos de mecanizado en regímenes distintos basados en la velocidad de corte (Vc), la tasa de avance (f) y la profundidad de corte (ap) como entradas. Esta clasificación aprovecha la discretización de la salida para mitigar el desequilibrio de datos y capturar patrones específicos de cada régimen. En segundo lugar, un regresor (Regresor de Vectores de Soporte o XGBoost, seleccionado en función del rendimiento) predice Ra dentro de cada régimen, utilizando la salida del clasificador como una característica adicional. Este enfoque híbrido estructurado permite una predicción más robusta en conjuntos de datos pequeños y ruidosos característicos de los estudios de mecanizado. Para validar la metodología, se realizaron experimentos en Polioximetileno (POM), Politetrafluoroetileno (PTFE), Polieter éter cetona (PEEK) y compuestos de PEEK/MWCNT, utilizando una matriz de Diseño de Experimentos (DoEs) en L. El rendimiento del modelo se optimizó utilizando validación cruzada k-fold y ajuste de hiperparámetros a través de búsqueda en cuadrícula, con R-cuadrado y RMSE como métricas de evaluación. El meta-modelo resultante demostró alta precisión (R > 90% para el regresor XGBoost en todos los materiales), mejorando significativamente la predicción de Ra en comparación con enfoques de modelo único. Esta capacidad predictiva mejorada ofrece potencial para optimizar los procesos de mecanizado y reducir el desperdicio de material en la fabricación de polímeros.