Se entiende bien que el tamaño y la forma de las rebabas, así como los atributos de calidad de superficie como la rugosidad superficial en las piezas fresadas, varían según varios factores. Estos incluyen la orientación de la herramienta de corte, el perfil de corte, los parámetros de corte, la forma y el tamaño de la herramienta, el recubrimiento y la interacción entre la pieza de trabajo y la herramienta de corte. Por lo tanto, el tamaño de la rebaba no puede formularse simplemente como una función de parámetros directos. Este estudio propone un modelo de regresión de aprendizaje en conjunto para predecir con precisión el tamaño de la rebaba y la rugosidad superficial durante el fresado de ranuras de la aleación de aluminio (AA) 6061. El modelo fue entrenado utilizando parámetros de corte como entradas y evaluado con métricas de rendimiento como el error absoluto medio, el error cuadrático medio y el coeficiente de determinación. El modelo demostró una fuerte capacidad de generalización cuando se probó con datos no vistos. Específicamente, logró un valor de 0.97 para la rugosidad superficial y valores de 0.93, 0.92, 0.86 y 0.65 para varios tipos de rebabas. Estos resultados validan la efectividad del modelo a pesar de la naturaleza no lineal y compleja de la formación de rebabas. Además, el análisis de importancia de características a través de la prueba indicó que la alimentación por diente y la profundidad de corte fueron los parámetros más influyentes en varios tipos de rebabas y resultados de rugosidad superficial. Este trabajo representa un enfoque novedoso y preciso para predecir indicadores clave de calidad de superficie, con implicaciones significativas para la optimización de procesos y la reducción de costos en el mecanizado de precisión.