Actualmente, existe una falta de herramientas de simulación precisas para el modelado del rendimiento térmico de los patios debido a su intrincada termodinámica. Los modelos de Aprendizaje Automático (ML) se han utilizado previamente para predecir y evaluar el rendimiento estructural de edificios como un medio para resolver problemas matemáticos complejos. Sin embargo, las condiciones microclimáticas del entorno del edificio no han sido abordadas tan exhaustivamente por estas metodologías. Con este fin, en este documento se propone la adaptación de técnicas de ML como una metodología más completa para cubrir esta brecha de investigación, abarcando no solo la predicción del microclima del patio, sino también la interpretación de datos experimentales y el reconocimiento de patrones. En consecuencia, basándose en la zonificación climática y las relaciones de aspecto de 32 estudios de casos monitoreados ubicados en el sur de España, se aplicó el método de Regresión de Vectores de Soporte (SVR) para predecir la temperatura medida dentro del patio. Los resultados proporcionados por esta estrategia mostraron una buena precisión en comparación con los datos monitoreados. En particular, para dos estudios de casos representativos, si se considera el intervalo diurno con el mayor sobrecalentamiento urbano, el error relativo está casi por debajo del 0.05%. Además, los valores de los parámetros estadísticos están en buena concordancia con otros estudios en la literatura, que utilizan modelos de CFD más costosos computacionalmente y muestran una mayor precisión que las herramientas comerciales existentes.