El uso de nanofluidos en aplicaciones de transferencia de calor ha aumentado significativamente en tiempos recientes debido a sus propiedades térmicas mejoradas. Por lo tanto, es importante investigar el comportamiento del flujo y, por ende, la reología de diferentes nanosuspensiones para mejorar el rendimiento de la transferencia de calor. En este estudio, se predice la viscosidad de un nanofluido híbrido de BN-diamante/aceite térmico utilizando cuatro algoritmos de aprendizaje automático (ML), es decir, bosque aleatorio (RF), regresión por refuerzo de gradiente (GBR), regresión gaussiana (GR) y red neuronal artificial (ANN), como función de la temperatura (25-65 grados C), la concentración de partículas (0.2-0.6 % en peso) y la tasa de cizallamiento (1-2000 s-1). Se emplearon seis matrices de error diferentes para evaluar el rendimiento de estos modelos mediante un análisis comparativo. Los datos se dividieron aleatoriamente en datos de entrenamiento y de prueba. Los algoritmos se optimizaron para una mejor predicción de 700 puntos de datos experimentales. Si bien todos los algoritmos de ML produjeron valores de R2 superiores a 0.99, las predicciones más precisas, con el mínimo error, se obtuvieron mediante GBR. Este estudio indica que los algoritmos de ML son altamente precisos y confiables para las predicciones reológicas de los nanofluidos.