Att prediktera fotbollsspelares marknadsvärden är värdefullt för fotbollsklubbar och dess beslutsfattare. Att kunna prediktera marknadsvärden leder till välgrundade ekonomiska beslut och att fotbollsklubbar kan utvecklas och undvika konkurser. Utanför fotbollsklubbarna så har även elitidrotten en påverkan på samhället, där idrotten bidrar till förbättrad livskvalitet och leder till samhörighet. Marknadsvärden för fotbollsspelare kan predikteras med olika attribut, datamängder och algoritmer. Tidigare var de främsta attributen för att uppskatta marknadsvärden grundläggande statistik som gjorda mål och spelade matcher. Idag används AI och ML för att framställa underliggande statistik för spelare och lag. I denna studie jämförs maskininlärningsalgoritmerna linjär regression, LightGBM och XGBoost i avseende att prediktera fotbollsspelares marknadsvärden. Samtliga algoritmer som jämförs i studien är av kategorin övervakad inlärning vilket innebär att data som används redan är märkt med ett utfall. I denna studie används information från EA Sports FIFA 21 i en datamängd hämtad från hemsidan kaggle. Datamängden innehåller 106 attribut för över 18000 spelare där marknadsvärdet är markerat som önskat utfall. Denna studie jämför även de tre algoritmerna i förmåga att prediktera lokala värden, spelare från Allsvenskan och Elitserien. Denna lokala jämförelse visar hur algoritmerna presterar på mindre träningsdata och billigare marknadsvärden. Studien resulterade i att XGBoost presterade bäst av algoritmerna både på den lokala och den globala datamängden. Linjär regression presterade betydligt sämre än de övriga två och bör undvikas i detta sammanhang.