Los enfoques de aprendizaje automático pueden disminuir drásticamente el tiempo computacional para las predicciones de propiedades espectroscópicas en materiales, manteniendo la calidad de los enfoques computacionales. Estudiamos el rendimiento de los modelos de regresión de kernel-ridge (KRR) y de refuerzo de gradiente (GBR) entrenados en los valores de blindaje isotrópico, calculados con la teoría de la densidad funcional (DFT), en una serie de zeolitas conocidas que contienen cationes metálicos fuera de marco o aniones de flúor y cationes orgánicos estructuradores de la estructura. Los descriptores de superposición suave de posiciones atómicas se calcularon a partir de las coordenadas cartesianas optimizadas por DFT de cada átomo en las celdas cristalinas de la zeolita. El uso de estos descriptores como entradas en ambos métodos de regresión de aprendizaje automático condujo a la predicción de los valores de blindaje isotrópico de DFT con errores medios dentro de 0.6 ppm. Los resultados mostraron que el modelo GBR escala mejor que el modelo KRR.