Neste estudo, aplica-se técnicas de aprendizado de máquina para analisar dados históricos de partidas de tênis da ATP e WTA, com o objetivo de identificar as variáveis mais influentes nos resultados das partidas. Utiliza-se dois modelos: Random Forest e K-Nearest Neighbors (KNN). O modelo Random Forest destacou-se ao atingir uma acurácia perfeita de 100%, enquanto o modelo KNN alcançou uma acurácia de 81,66%. Dentre as variáveis analisadas, a diferença de ranking e a eficiência técnica dos jogadores mostraram-se particularmente relevantes. Adicionalmente, gráficos de dispersão e análises de correlação reforçaram a importância de fatores técnicos e físicos no desempenho dos atletas. Este trabalho contribui para o campo da ciência esportiva, fornecendo insights estratégicos valiosos que podem ser utilizados para otimizar treinamentos e melhorar o desempenho dos jogadores em quadra.