El propósito del proceso industrial de cromado de cromo es la creación de una capa dura y resistente al desgaste de cromo sobre una superficie metálica. Una de las principales propiedades del cromado de cromo es su resistencia tanto al desgaste como a la corrosión. Esta investigación presenta un enfoque innovador de aprendizaje automático no paramétrico que hace uso de una metodología de árbol de regresión potenciado por gradiente (GBRT) híbrido para la predicción del grosor de la capa dura de cromo. GBRT es una técnica de aprendizaje estadístico no paramétrico que produce un modelo de predicción en forma de un conjunto de modelos de predicción débiles. La motivación para el potenciado es un procedimiento que combina la salida de muchos clasificadores débiles para producir un comité potente. En este estudio, los hiperparámetros de GBRT se optimizaron con la ayuda de la evolución diferencial (DE). DE es una técnica de optimización dentro de la computación evolutiva. Los resultados encontraron que este modelo fue capaz de predecir el grosor de la capa de cromo formada en este proceso industrial con un coeficiente de determinación igual a 0.9842 y un valor de error cuadrático medio de 0.01590. Las dos variables más importantes del modelo fueron el tiempo del proceso de cromado duro y el grosor de la capa eliminada por electropulido. Por lo tanto, estos resultados proporcionan una base para un modelo predictivo preciso del grosor de la capa dura de cromo. El modelo derivado también permitió la clasificación de la importancia de las variables de entrada independientes examinadas. Finalmente, el alto rendimiento y la simplicidad del modelo hacen que el método DE/GBRT sea atractivo en comparación con las técnicas de pronóstico convencionales.