En la actualidad, una de las condiciones importantes e indispensables para la efectividad y competitividad de las empresas industriales es la alta eficiencia de fabricación y ensamblaje. Estas empresas, basadas en diferentes métodos y herramientas, monitorean sistemáticamente sus métricas de eficiencia con Indicadores Clave de Rendimiento (KPIs). Una de las métricas más utilizadas con frecuencia es la Efectividad Global del Equipo (OEE), que es el producto de disponibilidad, rendimiento y calidad. Además de monitorear, también es necesario predecir la eficiencia, lo cual puede ser implementado con el apoyo de técnicas de aprendizaje automático. Este artículo presenta y compara varias técnicas supervisadas de aprendizaje automático, entre ellas la regresión polinómica, regresión lasso, regresión ridge y regresión de aumento de gradiente. El objetivo de este artículo es determinar el mejor método de estimación para una línea de ensamblaje semiautomática y un gran tamaño de lote. El estudio de caso presentado con un ejemplo industrial real da la respuesta sobre cuál de los métodos de predicción de horizonte acumulativo o de horizonte móvil es más preciso.