Este documento presenta un enfoque híbrido novedoso, que combina algoritmos de aprendizaje automático con selección de características, para modelar y predecir de manera eficiente fenómenos complejos regidos por comportamientos multifactoriales y no lineales, como el rendimiento de los cultivos. Hemos intentado aprovechar los beneficios del algoritmo de computación suave multivariable de regresión adaptativa en spline (MARS) para la selección de características, junto con la regresión de vectores de soporte (SVR) y la red neuronal artificial (ANN) para mapear eficientemente la relación entre los predictores y las variables predichas utilizando los marcos híbridos MARS-ANN y MARS-SVR. El rendimiento de los algoritmos se compara en diferentes estadísticas de ajuste como RMSE, MAD, MAPE, etc., utilizando rasgos agronómicos numéricos de 518 genotipos de lentejas para predecir el rendimiento del grano. Los modelos híbridos propuestos basados en MARS superaron a modelos individuales como MARS, SVR y ANN. Esto se debe en gran medida a la capacidad mejorada de extracción de características del modelo MARS combinada con la capacidad de aprendizaje adaptativo no lineal de ANN y SVR. Se demostró la superioridad de los modelos híbridos propuestos MARS-ANN y MARS-SVM en términos de construcción de modelos y capacidad de generalización.