La virtualización de centros de datos ha crecido rápidamente junto con la expansión de los servicios basados en aplicaciones, pero continúa enfrentando desafíos significativos, como el tiempo de inactividad causado por la selección subóptima de hardware, el balanceo de carga, la gestión de energía, la respuesta a incidentes y la asignación de recursos. Para abordar estos desafíos, este estudio propone un método combinado de aprendizaje automático que utiliza un MDP para elegir qué VMs mover, el método RF para clasificar las VMs según la carga, y NSGA-III para lograr múltiples objetivos de optimización, como reducir el tiempo de inactividad, mejorar el SLA y aumentar la eficiencia energética. Para este modelo, se utilizó el conjunto de datos GWA-Bitbrains, en el cual tuvo una precisión de clasificación del 98.77%, un MAPE del 7.69% en la predicción de la duración de la migración y una mejora en la eficiencia energética del 90.80%. Los resultados de experimentos en el mundo real muestran que la estrategia híbrida de aprendizaje automático podría reducir significativamente la carga de trabajo del centro de datos, aumentar el tiempo total de migración y disminuir el tiempo de inactividad. Los resultados del aprendizaje automático híbrido afirman la efectividad de integrar el MDP, el método RF y NSGA-III para proporcionar soluciones holísticas en las estrategias de colocación de VMs para centros de datos a gran escala.