Las técnicas de aprendizaje automático juegan un papel cada vez más prominente en el diagnóstico médico. Con el uso de estas técnicas, los datos de los pacientes pueden analizarse para encontrar patrones o hechos que son difíciles de explicar, lo que hace que los diagnósticos sean más confiables y convenientes. El propósito de esta investigación fue comparar la eficiencia de los modelos de clasificación diabética utilizando cuatro técnicas de aprendizaje automático: árboles de decisión, bosques aleatorios, máquinas de vectores de soporte y vecinos más cercanos de K. Además, se proponen nuevos modelos de clasificación diabética que incorporan ajuste de hiperparámetros y la adición de algunos términos de interacción en los modelos. Estos modelos fueron evaluados en función de la precisión, la recuperación y la puntuación F1. Los resultados de este estudio muestran que los modelos propuestos con términos de interacción tienen un mejor rendimiento de clasificación que aquellos sin términos de interacción para las cuatro técnicas de aprendizaje automático. Entre los modelos propuestos con términos de interacción, los clasificadores de bosques aleatorios tuvieron el mejor rendimiento, con un 97.5% de precisión, un 97.4% de precisión, un 96.6% de recuperación y un 97% de puntuación F1. Los hallazgos de este estudio pueden desarrollarse aún más en un programa que pueda cribar de manera efectiva a posibles pacientes con diabetes.