La previsión de lluvias regionales es un tema importante en hidrología y meteorología. Los algoritmos de aprendizaje automático, especialmente los métodos de aprendizaje profundo, han surgido como parte de las herramientas de predicción para la previsión de lluvias regionales. Este documento tiene como objetivo diseñar e implementar un marco de computación genérico que pueda ensamblar una variedad de algoritmos de aprendizaje automático como motores computacionales para la previsión de lluvias regionales en el norte del estado de Nueva York. Los algoritmos que se han incluido en el marco de computación abarcan los algoritmos clásicos y los algoritmos de aprendizaje profundo de última generación, como K-Nearest Neighbors, Support Vector Machine, Deep Neural Network, Wide Neural Network, Deep and Wide Neural Network, Reservoir Computing y métodos de Long Short Term Memory. A través de los resultados experimentales y las comparaciones de rendimiento de estos diversos motores, hemos observado que el método basado en SVM y KNN son modelos sobresalientes en comparación con otros modelos en clasificación, mientras que los métodos basados en DWNN y KNN superan a otros modelos en regresión, particularmente aquellos basados en aprendizaje profundo, para manejar datos climáticos inciertos y complejos para la previsión de precipitaciones. Mientras tanto, los métodos de normalización como Z-score y Minmax también se integran en el marco de computación genérico para investigar y evaluar sus impactos en los modelos de aprendizaje automático.