La utilización de técnicas de minería de datos para la pronta predicción del éxito académico ha adquirido una importancia significativa en la era actual. Existe un interés creciente en utilizar estas metodologías para predecir el rendimiento académico de los estudiantes, facilitando así a los educadores intervenir y proporcionar asistencia adecuada cuando sea necesario. El propósito de este estudio fue determinar los métodos óptimos para la ingeniería y selección de características en el contexto de tareas de regresión y clasificación. Este estudio comparó el algoritmo Boruta y la regresión Lasso para la regresión, y la Eliminación Recursiva de Características (RFE) y la Importancia del Bosque Aleatorio (RFI) para la clasificación. Según los hallazgos, Gradient Boost para la parte de regresión de este estudio tuvo el menor Error Absoluto Medio (MAE) y Error Cuadrático Medio (RMSE) de 12.93 y 18.28, respectivamente, en el caso del método de selección de Boruta. En contraste, se encontró que RFI era el método de clasificación superior, obteniendo una tasa de precisión del 78% en la parte de clasificación. Esta investigación enfatizó la importancia de emplear metodologías adecuadas de ingeniería y selección de características para mejorar la eficacia de los algoritmos de aprendizaje automático. Utilizando un conjunto diverso de técnicas de aprendizaje automático, este estudio analizó el conjunto de datos de OULA, centrándose tanto en la ingeniería de características como en la selección. Nuestro enfoque fue comparar sistemáticamente el rendimiento de diferentes modelos, lo que llevó a obtener información sobre las estrategias más efectivas para predecir el éxito de los estudiantes.