Formar grupos de pares óptimos es un paso crucial en la valoración por múltiplos. Entre otros, la metodología de regresión tradicional requiere la definición del conjunto óptimo de criterios de selección de pares y el tamaño óptimo del grupo de pares a priori. Dado que no existe un conjunto de reglas cerradas y complementarias sobre los criterios de selección que sea universalmente aplicable debido a la complejidad y la naturaleza diversa de las empresas, esta investigación examina exclusivamente empresas no cotizadas, lo que hace que las comparaciones directas con estudios existentes sean impracticables. Para abordar esto, desarrollamos un modelo de referencia a medida a través de un riguroso análisis de regresión. Nuestro objetivo era comparar sus resultados con nuestro enfoque único, enriqueciendo la comprensión de la dinámica de transacciones de empresas no cotizadas. Para maximizar el rendimiento del método de regresión lineal, se emplearon varios conjuntos de datos sobre criterios de selección (tanto completos como optimizados por F y NCA). Utilizando una muestra de más de 20,000 transacciones de empresas privadas, se evaluó el rendimiento del modelo empleando medidas de error de predicción por múltiplos (enfatizando el sesgo y la precisión) así como la superioridad de la predicción directamente. Enfatizando cinco múltiplos de valor empresarial y de capital, los resultados permiten concluir en general que el algoritmo de mapa autoorganizado supera al modelo de regresión lineal tradicional tanto en la minimización del error de valoración medido por las medidas de error de predicción por múltiplos como en la superioridad de la predicción directa. En consecuencia, la metodología de aprendizaje automático ofrece una forma prometedora de mejorar la selección de pares en la valoración por múltiplos de empresas privadas.