La investigación que investiga modelos para evaluar los precios de los nuevos tractores es notablemente escasa, a pesar de su importancia fundamental en la realización de análisis de costos exhaustivos. Este estudio tiene como objetivo identificar un modelo que sea tanto fácil de usar como robusto, evaluando tanto modelos paramétricos como modelos no paramétricos optimizados por Machine Learning. Entre los modelos paramétricos, el modelo polinómico de segundo orden demostró un rendimiento superior en términos de R-cuadrado (R) de 0,97469 y un Error Cuadrático Medio (RMSE) de 15.633. Por otro lado, las Regresiones de Procesos Gaussianos optimizadas por Machine Learning exhibieron el R-cuadrado (R) general más favorable de 0,99951 y un Error Cuadrático Medio (RMSE) de 2321. Mientras que el modelo polinómico paramétrico ofrece una solución con una complejidad matemática y computacional mínima, el modelo GPR no paramétrico proporciona resultados altamente robustos, presentando a las partes interesadas involucradas en transacciones de nuevos tractores agrícolas capacidades superiores de toma de decisiones basadas en datos.