La fiabilidad de los enfoques basados en datos para generar mapas de susceptibilidad a deslizamientos de tierra depende de la calidad de los datos, la selección del método analítico y las técnicas de muestreo. La selección de conjuntos de datos óptimos y la determinación de los métodos analíticos más efectivos presentan desafíos significativos. Este estudio evalúa el rendimiento de siete clasificadores de aprendizaje automático en la región del Himalaya del Corredor Económico China-Pakistán, utilizando técnicas estadísticas y métricas de validación. Se analizaron trece variables geoambientales, incluyendo factores topográficos (8), de uso del suelo (1), hidrológicos (1), geológicos (2) y meteorológicos (1). Estas variables fueron evaluadas por multicolinealidad, importancia de características y su influencia en la incidencia de deslizamientos de tierra. Nuestros hallazgos indican que las Máquinas de Vectores de Soporte y la Regresión Logística fueron altamente efectivas, particularmente cerca de zonas de falla y carreteras, debido a su eficacia en el manejo de interacciones complejas y no lineales del terreno. Por el contrario, el Bosque Aleatorio y la Regresión Logística demostraron variabilidad en sus resultados. Cada modelo identificó de manera distintiva zonas de susceptibilidad a deslizamientos de tierra que variaban desde muy bajo hasta muy alto riesgo. Se identificaron variables condicionantes significativas como la elevación, la lluvia, la litología, la pendiente y el uso del suelo, reflejando las condiciones geomorfológicas únicas del Himalaya. Un análisis adicional utilizando el Factor de Inflación de Varianza y el coeficiente de correlación de Pearson mostró una multicolinealidad mínima entre las variables. Además, las evaluaciones de los valores del Área Bajo la Curva de Característica Operativa del Receptor (AUC-ROC) confirmaron las fuertes capacidades predictivas de los modelos, siendo el Clasificador de Bosque Aleatorio el que tuvo un rendimiento excepcional, logrando un AUC de 0.96 y un F-Score de 0.86. Este estudio muestra la importancia de la selección del modelo basada en las características del conjunto de datos para mejorar la toma de decisiones y la efectividad de las estrategias.