Las técnicas de aprendizaje automático supervisado (ML) se han utilizado ampliamente en diversas aplicaciones geotécnicas. Si bien se presta mucha atención a las técnicas de ML y al problema geotécnico específico que se aborda, la influencia de los métodos de muestreo en el rendimiento de ML ha recibido relativamente menos escrutinio. Este estudio aplica ML supervisado al método de estabilidad de taludes dependiente de la deformación (SDSS) para la predicción del factor de seguridad (FoS) utilizando hipoplasticidad. Se profundiza en diferentes estrategias de muestreo para entrenar el modelo de ML, enfatizando las predicciones del comportamiento del suelo en rangos de estrés más bajos. Se introduce un nuevo método de muestreo para asegurar una distribución más representativa de las muestras en estos rangos, lo cual es un desafío lograr a través de enfoques de muestreo tradicionales. Los modelos de ML se entrenaron utilizando métodos de muestreo tradicionales y modificados. Posteriormente, se realizaron análisis de estabilidad de taludes utilizando SDSS con modelos de ML entrenados a partir de seis métodos de muestreo diferentes. Los resultados ilustran el impacto de los métodos de muestreo en el FoS. Además de una mejora notable en las predicciones de las tensiones de corte dentro de los rangos de estrés más bajos, también se observó un efecto decisivo en el FoS general.