Para ahorrar tiempo y costos en experimentos de fricción y desgaste, se utilizaron la composición del recubrimiento (diferentes contenidos de elementos Al, Ti y Cu), la relación de dureza y módulo elástico (H3/E2), la temperatura de tratamiento térmico al vacío (VHT) y la forma de desgaste como variables de entrada, y las tasas de desgaste de los recubrimientos de aleación de alta entropía (HEA) como variables de salida. El conjunto de datos se obtuvo completamente a través de experimentos. Se utilizaron cuatro algoritmos de aprendizaje automático (árbol de clasificación y regresión (CART), bosque aleatorio (RF), árbol de decisión de aumento de gradiente (GBDT) y aumento adaptativo (AdaBoost)) para predecir la resistencia al desgaste de los recubrimientos HEA basándose en una pequeña cantidad de datos. Los resultados muestran que, excepto por el modelo GBDT, los otros tres modelos tuvieron un buen rendimiento. Debido a la pequeña cantidad de datos, el modelo CART demostró el mejor rendimiento de predicción y puede proporcionar orientación para predecir la resistencia al desgaste de los recubrimientos HEA AlCoCrFeNi-X (Ti, Cu) para equipos de perforación. Además, se obtuvo la contribución de diferentes factores a la tasa de desgaste de los recubrimientos HEA AlCoCrFeNi-X (Ti, Cu). El contenido de Al tuvo la mayor influencia en la tasa de desgaste, seguido por H3/E2, la forma de desgaste y la temperatura VHT.