Este estudio evalúa la capacidad de tres métodos de aprendizaje automático: clasificador de árbol de decisión (DTC), clasificador de bosque aleatorio (RFC) y clasificador XGBoost (XGBC) para clasificar y predecir la rápida intensificación (RI) y no RI de los ciclones tropicales (TC) en la cuenca del suroeste del océano Pacífico (SWPO) desde 1982 hasta 2023. Entre los 324 TC dentro del dominio, 81 fueron identificados como TC RI, exhibiendo un aumento de intensidad de 24 horas de al menos 15 ms al menos una vez en su vida. Las variables ambientales utilizadas para la matriz de entrada se extraen de la celda de cuadrícula más cercana correspondiente a la ubicación geográfica y el momento de ocurrencia de cada evento RI y no RI. Además, la ubicación geográfica de cada evento y sus posiciones de intensidad inicial (24 horas antes) también se incluyen en el modelo. El XGBC, con validación cruzada de 10 pliegues, se convirtió en el clasificador óptimo al lograr la mayor precisión de clasificación, así como la menor probabilidad de detección falsa y la mayor puntuación AUC en los datos no vistos. El modelo identificó la longitud de los eventos RI y no RI, la latitud de intensidad inicial, la extensión de la intensidad inicial y la humedad relativa a 850 hPa como las variables más importantes en la decisión de clasificación. Este estudio avanzará las estrategias de preparación para tormentas en las naciones del SWPO a través de la correcta predicción de TC RI y priorizando la predicción temprana de las variables ambientales que contribuyen.