En los últimos años, el Aprendizaje Automático (ML) ha ganado una atención creciente por sus aplicaciones en la predicción genómica. El ML procesa de manera efectiva datos genómicos de alta dimensión y establece modelos no lineales. En comparación con los métodos tradicionales de Selección Genómica (GS), los algoritmos de ML mejoran la eficiencia computacional y ofrecen una mayor precisión en la predicción. Por lo tanto, este estudio se esfuerza por lograr el algoritmo de aprendizaje automático óptimo para la selección a nivel genómico de rasgos de cachemira en cabras de cachemira de Mongolia Interior. Este estudio comparó la precisión de la predicción genómica de rasgos de cachemira utilizando cuatro algoritmos de aprendizaje automático: Bosque Aleatorio (RF), Árbol de Aumento de Gradiente Extremo (XGBoost), Árbol de Decisión de Aumento de Gradiente (GBDT) y LightGBM, basándose en datos genotípicos y datos fenotípicos de rasgos de cachemira de 2299 cabras de cachemira de Mongolia Interior. Los resultados mostraron que, tras la optimización de parámetros, LightGBM logró la mayor precisión de selección para la longitud de la fibra (56.4%), RF logró la mayor precisión de selección para la producción de cachemira (35.2%), y GBDT logró la mayor precisión de selección para el diámetro de la cachemira (40.4%), en comparación con GBLUP, la precisión mejoró entre 0.8 y 2.7%. Entre los tres rasgos, XGBoost mostró la menor precisión de predicción, con 0.541, 0.309 y 0.387. Además, tras la optimización de parámetros, la precisión de predicción de los cuatro métodos de aprendizaje automático para la finura de la cachemira, el rendimiento de la cachemira y la longitud de la fibra mejoró en un promedio de 2.9%, 2.7% y 3.8%, respectivamente. El error cuadrático medio (MSE) y el error absoluto medio (MAE) para todos los métodos de aprendizaje automático también disminuyeron, lo que indica que la optimización de hiperparámetros puede mejorar la precisión de predicción en los algoritmos de ML.