Las puntuaciones de marcha se utilizan ampliamente en la evaluación genética de caballos. Sin embargo, la naturaleza de dicha medición puede limitar el progreso genético, ya que hay subjetividad en la información fenotípica. Este estudio tuvo como objetivo evaluar la aplicación de técnicas de aprendizaje automático en la predicción de valores de cría para cinco puntuaciones visuales de marcha en caballos Campolina: disociación, comodidad, estilo, regularidad y desarrollo. El conjunto de datos contenía más de 5000 registros fenotípicos con 107,951 caballos (14 generaciones) en el pedigree. Se utilizó un modelo fijo para estimar soluciones de mínimos cuadrados para efectos fijos y fenotipos ajustados. Se obtuvieron componentes de varianza y valores de cría (EBV) a través de un modelo de múltiples rasgos (MTM). Los fenotipos ajustados y las soluciones de efectos fijos se utilizaron para entrenar modelos de aprendizaje automático (utilizando el EBV de MTM como variable objetivo): red neuronal artificial (ANN), regresión de bosque aleatorio (RFR) y regresión de vectores de soporte (SVR). Para validar los modelos, se utilizó el método de regresión lineal. La precisión fue comparable en todos los modelos (pero fue ligeramente mayor para ANN). El mayor sesgo se observó para ANN, seguido de MTM. La dispersión varió según el rasgo; fue mayor para ANN y la más baja para MTM. El aprendizaje automático es una alternativa viable para la predicción de EBV; sin embargo, este método tendrá un ligero sesgo y estará sobre-dispersado para animales jóvenes.