Este proyecto aborda la necesidad de mejorar la clasificación del riesgo crediticio en una institución financiera a través de la implementación de algoritmos de Machine Learning. Actualmente, la evaluación del riesgo crediticio en Ecuador se realiza de manera operativa, lo que puede conducir a clasificaciones incorrectas, incrementando la morosidad o limitando el acceso a créditos. El objetivo de este trabajo es desarrollar modelos de clasificación del riesgo crediticio utilizando algoritmos de Machine Learning para evaluar su eficacia en la predicción de incumplimientos crediticios en una institución financiera. Se emplearon los modelos de regresión logística, tanto lineal como no lineal, utilizando el método de Newton para optimizar los parámetros de los modelos. Se compararon los resultados obtenidos mediante la librería scikit-learn utilizando métricas como Precisión, Sensibilidad, Especificidad y la Curva ROC-AUC. Los resultados mostraron que el modelo No Lineal proporciona mayor precisión, dado su capacidad de ajustarse a los datos. Finalmente, se concluye que el uso de estos modelos puede mejorar significativamente la rentabilidad de la institución financiera al agilizar la toma de decisiones con respecto a créditos y reducir la probabilidad de incumplimiento en los préstamos. Palabras Clave: Machine Learning, Riesgo Crediticio, Regresión Logística No Lineal, Curva ROC-AUC.