Las anomalías de gravedad juegan un papel crítico en el análisis geológico, el monitoreo geodinámico y la modelización precisa del geoide. Obtener datos de gravedad precisos es un desafío, particularmente en regiones inaccesibles o escasamente cubiertas. Este estudio evalúa métodos de aprendizaje automático (ML) -Regresión por Vectores de Soporte (SVR), Regresión por Proceso Gaussiano (GPR) y Conjunto de Árboles- para predecir anomalías de gravedad en el sureste de Kazajistán y compara su efectividad con la interpolación tradicional de Kriging. Se utilizó un conjunto de datos, que consiste en los valores de la anomalía de Bouguer simple, latitud, longitud, elevación, gravedad normal y correcciones de terreno derivadas de mapas históricos a una escala de 1:200,000. Los modelos fueron entrenados y validados utilizando técnicas de validación cruzada, con el rendimiento evaluado mediante métricas estadísticas (RMSE, MAE, R) y análisis de error espacial. Los resultados indicaron que el modelo GPR Exponencial demostró la mayor precisión predictiva, superando a otros métodos de ML, con el 72.9% de las predicciones teniendo errores por debajo de 1 mGal. Kriging mostró una precisión comparable y una robustez superior contra errores extremos. La mayoría de los errores de predicción de todos los métodos estaban espacialmente asociados con regiones montañosas que presentaban cambios significativos en la elevación. Si bien este estudio demostró la efectividad de los métodos de aprendizaje automático para la predicción de anomalías de gravedad, su precisión disminuye en terrenos complejos, lo que indica la necesidad de más investigaciones para mejorar el rendimiento del modelo en tales entornos.