Los antioxidantes son compuestos ampliamente estudiados con aplicaciones significativas en las industrias nutracéutica y dietética. Para permitir el cribado rápido de grandes bibliotecas de sustancias en busca de actividad antioxidante y proporcionar una herramienta útil para la evaluación inicial de sustancias de interés con actividad desconocida, desarrollamos modelos de Relación Estructura-Actividad Cuantitativa (QSAR) para predecir el potencial antioxidante de sustancias químicas. Comenzamos con un conjunto de datos de 1911 sustancias antioxidantes, recuperadas de la base de datos AODB al seleccionar el ensayo de actividad de captura del radical DPPH (1,1-difenil-2-picrilhidrazilo) y el valor experimental de la concentración inhibitoria media máxima. Se aplicaron diferentes algoritmos de aprendizaje automático para construir modelos de regresión, y se evaluó la bondad de ajuste de cada modelo utilizando los parámetros estadísticos de R cuadrado (R), el Error Cuadrático Medio y el Error Absoluto Medio. El modelo Extra Trees superó a los otros modelos en las validaciones internas y externas, logrando el R más alto de 0.77 y el RMSE más bajo en el conjunto de prueba. Gradient Boosting y eXtreme Gradient Boosting también lograron resultados prometedores con valores de R de 0.76 y 0.75, respectivamente. Dado estos resultados, desarrollamos un método integrado que no solo superó a los modelos individuales, logrando un R de 0.78 en el conjunto de prueba externo, sino que también proporcionó valiosos conocimientos sobre el rango de valores predichos.