Los metamateriales mecánicos se han convertido en un enfoque crítico de investigación en diversos campos de la ingeniería. Los avances recientes han impulsado el desarrollo de metamateriales mecánicos reprogramables para lograr comportamientos mecánicos adaptativos frente a estímulos externos. Los diseños relevantes dependen fuertemente de una comprensión exhaustiva del espectro de respuesta de la estructura original, donde el establecimiento de un modelo virtual preciso es considerado hasta ahora como el enfoque más eficiente para este fin. Al emplear una regresión vectorial de soporte extendida (X-SVR), un potente modelo de algoritmo de aprendizaje automático, este estudio explora el análisis de incertidumbre y sensibilidad, y el estudio inverso de panal reentrante bajo cargas compresivas cuasiestáticas. El marco propuesto permite una cuantificación precisa de la incertidumbre, análisis de sensibilidad y estudio inverso, facilitando el diseño y optimización relacionados de metaestructuras cuando se extienden a materiales sensibles. El marco propuesto se considera una herramienta efectiva para la cuantificación de la incertidumbre y el análisis de sensibilidad, permitiendo la identificación de parámetros clave que afectan el rendimiento mecánico. Finalmente, el enfoque de estudio inverso aprovecha X-SVR para obtener rápidamente las configuraciones estructurales requeridas basadas en respuestas mecánicas específicas.