Las aleaciones de alta entropía, que contienen cinco o más elementos en concentraciones atómicas iguales, tienden a exhibir propiedades mecánicas y físicas notables que dependen típicamente de su constitución de fase. En este trabajo, se llevan a cabo un modelo de aprendizaje automático basado en un enfoque más simple y cuatro modelos de aprendizaje automático en conjunto para predecir la fase de aleaciones de alta entropía en una base de datos que consta de 511 datos etiquetados. Antes de entrenar los modelos, se seleccionan características basadas en los principios de diseño empírico a través de XGBoost, teniendo en cuenta la importancia relativa de cada característica. Los métodos de aprendizaje en conjunto de Voting y Stacking se destacan entre estos algoritmos, con una precisión predictiva de más del 92%. Además, el proceso de diseño de aleaciones se visualiza mediante un árbol de decisión, introduciendo un nuevo criterio para identificar fases de FCC, BCC y FCC + BCC en aleaciones de alta entropía. Estos hallazgos proporcionan información valiosa para seleccionar características importantes y modelos de aprendizaje automático adecuados en el diseño de aleaciones de alta entropía.