En este estudio, determinamos el límite líquido (𝑊𝑙), el índice de plasticidad (PI) y el límite plástico (𝑊𝑝) de suelos naturales finos con ayuda de machine-learning y métodos estadísticos. Ello permite localizarlos en la Carta de Plasticidad de Casagrande con una sola medida en extractores de presión-membrana. Los modelos de machine-learning mostraron ajustes en la determinación de 𝑊𝑙apropiados para propósitos de diseño, comparados con métodos estandarizados. Ajustes similares se alcanzaron en la determinación de PI, mientras que las determinaciones de 𝑊𝑝permiten ajustes apropiados para trabajos de control. Debido a que las técnicas más apropiadas se basaron en Regresión Lineal Múltiple y Máquinas de Soporte de Vectores, aportaron modelos de plasticidad explicables. En este sentido, 𝑊𝑙=(9.94±4.2)+(2.25±0.3)∙𝑝𝐹4.2,𝑃𝐼=(−20.47±5.6)+(1.48±0.3)∙𝑝𝐹4.2+(0.21±0.1)∙𝐹y𝑊𝑝=(23.32±3.5)+(0.60±0.2)∙𝑝𝐹4.2−(0.13±0.04)∙𝐹. Por consiguiente, proponemos un método alternativo, automático, estático y multimuestra para enfrentar problemas frecuentes en la determinación de los Límites de Atterberg con ensayos normalizados.