Nos últimos anos, o avanço da tecnologia e a crescente disponibilidade de dados impulsionaram a aplicação de Machine Learning (ML) no futebol, permitindo análises avançadas e previsões mais precisas. O ML, é um ramo da Inteligência Artificial (IA), tem se destacado pela sua capacidade de identificar padrões em grandes volumes de dados e melhorar suas decisões. No futebol, técnicas de ML são utilizadas para analisar desempenho de jogadores, prever resultados de partidas e otimizar algumas estratégias táticas. Estudos demonstram o potencial de algoritmos como Redes Neurais, Árvores de Decisão e Support Vector Machines (SVM). Apesar dos avanços, desafios envolvendo dados de baixa qualidade e modelos excessivamente ajustados a dados ainda limitam a eficácia dos modelos. Sendo assim, este trabalho tem como objetivo realizar uma comparação de diferentes algoritmos de ML aplicados à previsão de resultados no futebol, avaliando sua eficiência em vários cenários. A pesquisa busca identificar quais modelos oferecem maior precisão e quais métricas são mais adequadas para análise, além de propor melhorias para tornar previsões mais confiáveis. Resultados apontam que os modelos Gradient Boosting e Random Forest, apresentaram o melhor desempenho na previsão dos resultados das partidas, alcançando acurácias de até 50%. Já os modelos mais simples, como a Regressão Logística, Árvore de Decisão e KNN, obtiveram desempenho inferior. Observou-se, também, que as vitórias de mandantes foram previstas com maior precisão, enquanto os empates representaram maior dificuldade devido à sua menor ocorrência e alta imprevisibilidade. Este estudo contribui na aplicação dessas técnicas, oferecendo insights para analistas esportivos, treinadores, jogadores, clubes e analistas. Dessa forma, o trabalho explora a ciência de dados e esportes (futebol), aplicando a ML na análise de desempenho no futebol.