В работе оценивается качество прогнозирования инфляции с применением методов машинного обучения на примере данных Ставропольского края. Исследование содержит сравнительный анализ псевдовневыборочного (pseudo-out-of-sample) прогноза часто используемых эконометрических моделей и ряда популярных методов машинного обучения, таких как бустинг над решающими деревьями, случайный лес и другие. Показано, что наиболее точным среди рассматриваемых в работе методов машинного обучения является бустинг над решающими деревьями (XGBoost). Также показано, что отличие в точности XGBoost по сравнению с эконометрическими моделями является статистически незначимым с точки зрения теста Диболда – Мариано. Кроме того, при помощи встроенных в XGBoost декомпозиций и декомпозиций Шепли был проведен анализ значимости предикторов с целью исследования возможностей интерпретируемости результатов прогноза алгоритмами машинного обучения. Проиллюстрирована возможность оценки вклада некоторых переменных в динамику прогноза инфляции в периоды значимых для российской экономики шоков. Сравнимая с классическими эконометрическими моделями точность прогнозов и логичная (но менее прозрачная) интерпретируемость алгоритмов машинного обучения на текущем этапе развития позволяют рассматривать их как полезный дополнительный инструмент анализа и интерпретации данных, но не в качестве способа значительного улучшения качества прогноза региональной инфляции.