El enfriamiento radiativo pasivo durante el día (PDRC) ha surgido como un enfoque prometedor de enfriamiento sin electricidad que refleja la luz solar mientras irradia calor a través de la ventana atmosférica transparente. Sin embargo, el diseño y la optimización de los materiales PDRC siguen siendo un desafío, requiriendo un tiempo y recursos significativos para los esfuerzos de modelado experimental y numérico. En este trabajo, desarrollamos un enfoque impulsado por aprendizaje automático (ML) para predecir la eficiencia de dispersión en la longitud de onda de 0.3-2.5 m, con el objetivo de eventualmente optimizar el diseño microestructural de los materiales PDRC. Al emplear modelos de ML como regresión lineal, redes neuronales y bosques aleatorios, buscamos predecir y optimizar la eficiencia de dispersión a través de diferentes tamaños de poro y configuraciones de tamaños de poro mixtos. Como resultado, el modelo de bosque aleatorio demostró un rendimiento de predicción superior con un error mínimo, capturando efectivamente interacciones complejas y no lineales entre las características del material. También aprovechamos técnicas de transformación de datos como la codificación one-hot para predicciones generativas en configuraciones de tamaños de poro mixtos. La plataforma impulsada por ML presentada sirve como un valioso recurso abierto para los investigadores de PDRC, facilitando la optimización rápida y rentable de los materiales PDRC y acelerando el desarrollo de tecnologías de enfriamiento sostenibles.