Las técnicas de modelado de sustitución se utilizan ampliamente para reemplazar las funciones de caja negra computacionalmente costosas en ingeniería. Como combinación de modelos de sustitución individuales, se prefiere un conjunto de sustitutos debido a su gran robustez. Sin embargo, cómo seleccionar la mejor cantidad y variedad de sustitutos para un conjunto siempre ha sido una tarea desafiante. En este trabajo, se consideran cinco técnicas populares de modelado de sustitución, incluyendo superficie de respuesta polinómica (PRS), funciones de base radial (RBF), kriging (KRG), proceso gaussiano (GP) y shepard lineal (SHEP) como los modelos de sustitución básicos, lo que resulta en veintiséis modelos de conjunto mediante un método de selección de pesos previamente presentado. Se espera encontrar el mejor modelo de conjunto mediante estudios comparativos sobre precisión de predicción y robustez. Al probar ocho problemas matemáticos y dos ejemplos de ingeniería, encontramos que: (1) en general, utilizar tantos sustitutos precisos como sea posible para construir modelos de conjunto mejorará el rendimiento de predicción y (2) los modelos de conjunto pueden ser utilizados como un seguro en lugar de ofrecer mejoras significativas. Además, se prefiere el conjunto de tres sustitutos PRS, RBF y KRG en función del rendimiento de predicción. Los resultados proporcionan a los profesionales de la ingeniería orientación sobre la elección superior de la cantidad y variedad de sustitutos para un conjunto.