La inestabilidad del terreno puede llevar a consecuencias catastróficas. Sin embargo, predecir la estabilidad de pendientes de manera efectiva sigue siendo un desafío debido a los mecanismos complejos y los múltiples factores que influyen. En los últimos años, el aprendizaje automático (ML) ha recibido gran atención en la predicción de la estabilidad de pendientes debido a su fuerte capacidad de predicción no lineal. En este estudio, se utilizó un algoritmo de bosque de camino óptimo basado en vecinos más cercanos (OPF) para predecir la estabilidad de pendientes. Primero, se recopilaron 404 pendientes históricas con riesgo de falla. Posteriormente, el conjunto de datos se utilizó para entrenar y probar el algoritmo en conjuntos de entrenamiento y prueba divididos aleatoriamente, respectivamente. Los valores de hiperparámetros se ajustaron combinando validación cruzada de diez pliegues y métodos de búsqueda en cuadrícula. Finalmente, el rendimiento del enfoque propuesto se evaluó en base a la precisión, puntuación F, área bajo la curva (AUC) y carga computacional. Además, los resultados de la predicción se compararon con otros seis algoritmos de ML. Los resultados mostraron que el algoritmo OPF tuvo un mejor rendimiento, y los valores de precisión, puntuación F, AUC y carga computacional fueron 0.901, 0.902, 0.901 y 0.957 s, respectivamente. Además, los casos de pendientes fallidas pueden identificarse con precisión, lo cual es sumamente crítico en la predicción de la estabilidad de pendientes. El ángulo de la pendiente tuvo la influencia más importante en los resultados de predicción. Además, los resultados de la aplicación en ingeniería mostraron que el rendimiento predictivo general del modelo OPF fue consistente con el valor de factor de seguridad de las pendientes de ingeniería. Este estudio puede proporcionar una orientación valiosa para el análisis de la estabilidad de pendientes y la gestión de riesgos.