Las emisiones de dióxido de carbono (CO) de la industria ganadera se espera que aumenten. Se necesita una estrategia de respuesta para las regulaciones de emisión de CO para la producción porcina, ya que esta industria comprende una gran proporción de la industria ganadera y se proyecta que el consumo per cápita de carne de cerdo aumentará. Una estrategia de respuesta a las emisiones de CO se puede establecer midiendo con precisión las concentraciones de CO en las instalaciones porcinas. Aquí, comparamos y evaluamos el rendimiento de tres modelos de aprendizaje automático (ML) diferentes (ElasticNet, regresión de bosque aleatorio (RFR) y regresión de vector de soporte (SVR)) diseñados para predecir la concentración de CO y los valores de temperatura del aire interno (T) en la casa de cerdos utilizada para regular un sistema de control de calefacción, ventilación y aire acondicionado (HVAC). Para cada modelo de ML, se optimizó el hiperparámetro y se evaluó la precisión predictiva. El orden de precisión predictiva para los modelos de ML fue ElasticNet < SVR < RFR. Por lo tanto, la regresión de bosque aleatorio proporcionó un rendimiento de predicción superior. Basándose en el conjunto de datos de prueba, para la predicción de T por RFR, R >= 0.848 y el error cuadrático medio (RMSE) y el error absoluto medio (MAE) fueron de 0.235 gradosC y 0.160 gradosC, respectivamente, mientras que para la predicción de concentración de CO por RFR, R >= 0.885 y el RMSE y MAE fueron de 64.39 ppm y