El uso del aprendizaje automático (ML) y sus aplicaciones es una de las áreas de investigación líder en la actualidad. Los modelos de redes neuronales han ganado recientemente una enorme popularidad y muchos trabajos en diversos campos los utilizan con la esperanza de mejorar resultados anteriores. La aplicación de los métodos de inteligencia artificial (AI) y la justificación de esta decisión es un tema, pero la evaluación de dicho modelo es un asunto completamente diferente. La gente suele usar el error cuadrático medio o, con menos frecuencia, el error absoluto medio en sus versiones absoluta o porcentual. Hay que recordar que un error no es igual a otro error y que un único valor no proporciona suficiente conocimiento sobre las causas de ciertos comportamientos. La interpretación adecuada de los resultados es crucial. Esto conduce a una mejora continua del modelo. Puede ser desafiante, pero nos permite obtener soluciones mejores y más robustas, que en última instancia resuelven problemas de la vida real. La evaluación del modelo de ML es una tarea multicriterio. Una sola medida solo ofrece una fracción de la imagen. Este artículo tiene como objetivo llenar esa brecha de investigación. Se comparan medidas integrales comúnmente utilizadas con medidas alternativas como factores de estadísticas gaussianas y no gaussianas, estimadores estadísticos robustos, índice de cola y el orden fraccional. La metodología propuesta proporciona nuevos índices de criterio único o un enfoque multicriterio, que extienden el concepto estadístico del diagrama de relación de momentos (MRD) al diagrama de relación de índices (IRD). El enfoque propuesto se valida utilizando datos reales del ejemplo de estimación de costos de carga completa de camiones. Se comparan 35 algoritmos de regresión de ML diferentes aplicados a esa tarea. El análisis brinda una visión de las propiedades de los métodos seleccionados, permite su comparación y análisis de homogeneidad y, en última instancia, conduce hacia sugerencias constructivas para su uso adecuado eventual. El artículo propone nuevos índices y concluye que la correcta selección de la metodología de análisis de residuos hace que la evaluación y la regresión de ML sean creíbles.