El objetivo del aprendizaje de máquina (machine learning - ML) automatizado es encontrar un modelo de ML adecuado para un problema especificado por datos. En este trabajo, nos interesa el dominio de los modelos complejos de ML supervisado. Dado que la evaluación del rendimiento de modelos complejos requiere mucho tiempo de cómputo, se han propuesto diversos enfoques de predicción del rendimiento. Así pues, el objetivo de este trabajo es utilizar el enfoque de meta-aprendizaje (meta-learning) para aprovechar la experiencia previa junto con el rendimiento de ciertos modelos en problemas de repositorio para estimar el rendimiento en un conjunto de datos no analizado previamente. Se extraen características que describen la estructura de los modelos así como características de metadatos que describen los conjuntos de datos. La información sobre el modelo y el problema se agregan y se utilizan para entrenar un modelo de regresión como predictor del rendimiento. La ventaja de este enfoque es que el rendimiento del modelo se estima sin entrenamiento, utilizando únicamente la extracción de características y la inferencia de regresores. El enfoque se ha probado con éxito en una amplia gama de modelos usando la información de rendimiento del repositorio OpenML, cuyos resultados se presentan en este trabajo. También se comparan varias alternativas para los procedimientos de extracción de características y regresión.