El presente trabajo tiene como finalidad identificar el origen de fallas en el sistema de distribución eléctrico del Ecuador mediante la aplicación de técnicas de machine learning, con el objetivo clasificar las fallas cuyas causas son desconocidas, registradas en la base de datos de la empresa distribuidora CNEL EP. Las técnicas de machine learning permiten mejorar de manera significativa la precisión de identificación del origen de las fallas, para de esta manera mejorar la eficiencia y calidad del suministro eléctrico. En el desarrollo de este trabajo se aplicó la técnica KDD (Knowledge Discovery in Databases), los algoritmos de clasificación que se aplicaron fueron Support vector machine (SVM), Random Forest y K-nearest neighbors (KNN). El algoritmo de Random Forest demostró una precisión del 98.96% luego de la validación de los datos entrenados, mientras que el algoritmo de K-nearest neighbors demostró una precisión del 67.92% y el algoritmo de Support vector machine demostró una precisión de 59.25%. El algoritmo cuyas métricas de medición identifican y manejan de precisa las clases es Random Forest, mientras que el algoritmo de Support vector machine no clasifica de manera correcta las clases, siendo el algoritmo con menor efectividad al momento de clasificar una falla. Palabras Clave: Distribución Eléctrica, Machine Learning, Algoritmos, Clasificación