Les utilisateurs de médias sociaux sont submergés par un grand nombre d'actualités affichées chronologiquement dans leur fil d'actualités. De plus, la plupart des actualités sont non pertinentes. Le tri des fils d'actualité par ordre de pertinence a été proposé pour aider les utilisateurs à rattraper le contenu qui pourrait les intéresser. Pour ce faire, les modèles d'apprentissage supervisé ont été couramment utilisés pour prédire la pertinence. Toutefois, aucune étude comparative n'a été effectuée pour déterminer les modèles les plus appropriés. Dans ce travail, nous sélectionnons, analysons et comparons plusieurs algorithmes d'apprentissage supervisé appliqués à ce cas d'étude. Les résultats expérimentaux sur Twitter soulignent que les modèles ensemblistes d'apprentissage sont les plus adaptés pour prédire la pertinence des actualités.