A avaliação de parâmetros de desempenho objetiva melhorar a qualidade do produto, além de garantir a capacidade de comparação com produtos de diferentes fornecedores. Nesse contexto, ao longo dos últimos anos, fabricantes de sistemas de refrigeração têm investido cada vez mais no setor de Pesquisa e Desenvolvimento (P&D), com intuito de melhorar as técnicas de aquisição de parâmetros de desempenho. A medição de alguns destes parâmetros ocorre de maneira invasiva, principalmente em compressores herméticos, o que pode gerar intervenção de fatores externos durante a coleta das amostras e resultar em conclusões equivocadas à respeito dos dados coletados, além de descaracterizar o produto. Estudos desenvolvidos no Laboratório de Instrumentação e Automação de Ensaios objetivam desenvolver métodos de instrumentação não-invasiva a partir de técnicas de aprendizado de máquina para avaliação de parâmetros de desempenho de compressores herméticos por meio de dados de sinais de vibração. Este trabalho visa dar continuidade e ampliação aos estudos de técnicas de aprendizado de máquina para determinar a temperatura de condensação de compressores. Trabalhos anteriores contém em sua metodologia o uso de algoritmos de Regressão Linear Múltipla e Redes Neurais Artificiais que tem como dados de entrada os dados de vibração avaliados no domínio da frequência, com bandas de largura de frequência fixa. Neste estudo, foi explorado a utilização de técnicas de aprendizado de máquina de modelos supervisionados com ênfase nos modelos de classificação para determinar a temperatura de condensação do sistema.