Este trabalho estuda e analisa a influência da escolha de métricas e grandezas, bem como a aplicação de aprendizado de máquina supervisionado na detecção do amaciamento de compressores herméticos alternativos para refrigeração. Para a realização do estudo foram utilizados dados adquiridos em uma bancada automática de ensaios capaz de medir de forma não destrutiva grandezas associadas à operação do compressor e, possivelmente relacionadas ao amaciamento. As séries temporais obtidas foram tratadas e formatadas por meio de algoritmos de médias móveis e janela deslizante. Devido ao desbalanceamento do conjunto, que contém mais amostras do compressor já amaciado do que durante o amaciamento, foi aplicado o método de subamostragem aleatória visando mitigar a influência da distribuição de classes dos dados no treinamento de modelos classificadores. Tendo selecionado o método de floresta aleatória para classificação do conjunto, foi utilizada otimização bayesiana para seleção parâmetros tanto para o modelo de aprendizado supervisionado quanto para o pré-processamento. Para o processo de otimização foram selecionadas 3 métricas: coeficiente de correlação de Matthews, área abaixo da curva de característica de operação do receptor e F-score. Os resultados obtidos mostraram que a escolha do F-score com parâmetro β igual a 0,5, pelo fato de penalizar a presença de falsos negativos na classificação, adequou-se melhor ao problema, e que a aplicação de modelos de aprendizado de máquina supervisionado no valor eficaz da corrente elétrica do motor apresentou resultados mais próximos do desejado para a detecção do amaciamento.