En este artículo, incorporamos mediciones experimentales de bases de datos de alta calidad para construir un modelo de aprendizaje automático que sea capaz de reproducir y predecir las propiedades de los líquidos iónicos, como la conductividad eléctrica. Las relaciones empíricas tradicionalmente determinan la conductividad eléctrica con la temperatura como el componente principal, y las investigaciones solo se centran en líquidos iónicos específicos cada vez. Además de esto, nuestro método propuesto tiene en cuenta las condiciones ambientales, como la temperatura y la presión, y apoya la generalización al considerar además el peso atómico del líquido en el procedimiento de predicción. El parámetro de conductividad eléctrica se extrae a través de métodos numéricos de aprendizaje automático y regresión simbólica, que proporciona una ecuación analítica con la ayuda de técnicas de programación genética. La plataforma sugerida es capaz de proporcionar un mecanismo de predicción numérica rápida o una expresión analítica, ambas puramente basadas en datos, que pueden ser generalizadas y explotadas en proyectos de predicción de propiedades similares, superando procedimientos experimentales costosos y simulaciones moleculares computacionalmente intensivas.