Los errores térmicos afectan significativamente el rendimiento preciso de las máquinas herramienta de control numérico por computadora (CNC). En este artículo, se propone un enfoque mejorado y robusto para la predicción de errores térmicos en máquinas herramienta CNC basado en el operador de selección y reducción absoluta mínima (LASSO) adaptativo y los algoritmos de eXtreme Gradient Boosting (XGBoost). Específicamente, el método LASSO adaptativo disfruta de la propiedad de oráculo para seleccionar variables sensibles a la temperatura. Después de la selección de variables sensibles a la temperatura, se adopta el algoritmo XGBoost para modelar y predecir errores térmicos. Dado que el algoritmo XGBoost se basa en árboles de decisión, tiene ventajas naturales para abordar la multicolinealidad y proporcionar resultados interpretables. Además, basándose en los datos experimentales del centro de mecanizado vertical de 3 ejes tipo Vcenter-55, se compara el algoritmo propuesto con métodos de referencia para demostrar su rendimiento superior en precisión de predicción con 7.05 (más de un 14.5% de mejora), robustez con 5.61 (más de un 12.9% de mejora), predicciones en el peor de los casos con 16.49 (más de un 25.0% de mejora) y errores porcentuales con 13.33% (más de un 10.7% de mejora). Finalmente, se verifica la aplicabilidad en el mundo real del modelo propuesto a través de experimentos de compensación de errores térmicos.