La gestión adecuada del riesgo crediticio es esencial para las instituciones de crédito, ya que se pueden incurrir en pérdidas sustanciales cuando los prestatarios incumplen. En consecuencia, los métodos estadísticos que pueden medir y analizar el riesgo crediticio de manera objetiva están cobrando cada vez más importancia. Este estudio analiza los datos de pagos en default y compara la precisión de predicción y la capacidad de clasificación de tres métodos de aprendizaje en conjunto, específicamente, bagging, random forest y boosting, con los de varios métodos de redes neuronales, cada uno de los cuales tiene una función de activación diferente. Los resultados obtenidos indican que la capacidad de clasificación de boosting es superior a otros métodos de aprendizaje automático, incluidas las redes neuronales. También se encontró que el rendimiento de los modelos de redes neuronales depende de la elección de la función de activación, el número de capas intermedias y la inclusión de dropout.