No estágio inicial da modelagem de previsão, o foco primordial residia na acurácia dos modelos, muitas vezes negligenciando a interpretabilidade dos resultados. No entanto, à medida que esses modelos ganharam popularidade em diversas áreas, surgiu uma demanda crescente por modelos que fossem tanto confiáveis em relação a previsões quanto interpretáveis. Como resposta a essa demanda, uma série de modelos foram desenvolvidos com o intuito de conciliar esses dois aspectos, que são essencialmente contraditórios. Um exemplo desses modelos desenvolvidos com esse propósito é o e-AutoMFIS, baseado em princípios de lógica fuzzy e na técnica ensemble, com o objetivo de reduzir a dimensionalidade dos problemas e realizar previsões multivariadas. O e-AutoMFIS demonstrou-se promissor em comparação com modelos mais convencionais, superando-os em métricas de acurácia em alguns casos. Sua interoperabilidade, aliada a previsões mais acuradas, o torna uma ferramenta valiosa para análises mais aprofundadas. Apesar dos avanços alcançados, há áreas que demandam aprimoramento, como a configuração dos parâmetros do modelo, ainda realizada por meio de busca exaustiva, e a subamostragem aleatória, que pode necessitar de intervenção manual para otimização dos resultados. Diante desses desafios, esta dissertação propõe a otimização do e-AutoMFIS por meio do desenvolvimento do e-AutoMFIS2. Este trabalho detalha a arquitetura do e-AutoMFIS2, descrevendo as modificações implementadas no processo de subamostragem e a aplicação de um algoritmo genético de otimização multiobjetiva para seleção de hiperparâmetros. Além disso, discute os possíveis benefícios dessas mudanças e avalia os resultados por meio de estudos de caso, comparando-os com seu antecessor e outros modelos tradicionais na literatura, tanto em termos de acurácia quanto de interpretabilidade.