El fraude fiscal es un problema común para muchas administraciones tributarias, que cuesta miles de millones de dólares. Diferentes administraciones tributarias han considerado varias opciones para optimizar los ingresos; entre ellas, se encuentra la llamada máquina de facturación electrónica (EBM), que tiene como objetivo monitorear todas las transacciones comerciales y, como resultado, aumentar los ingresos y el cumplimiento del impuesto al valor agregado (IVA). La mayor parte de la investigación actual se ha centrado en el impacto de las EBM en la recaudación de IVA y el cumplimiento, en lugar de entender cómo el comportamiento de reporte de las EBM influye en el cumplimiento futuro. La contribución esencial de este estudio es que aprovecha tanto el comportamiento histórico de reporte de las EBM como las características comerciales reales para entender y predecir el comportamiento futuro de reporte de las EBM. En este estudio, se utilizan, prueban y comparan algoritmos de aprendizaje automático basados en árboles, como árboles de decisión, bosques aleatorios, aumento de gradiente y XGBoost, para obtener un mejor rendimiento. Los resultados exhiben la robustez del modelo de bosque aleatorio, entre otros, con una precisión del 92.3%. Este documento presenta claramente nuestra contribución al enfoque en relación con los enfoques existentes a través de preguntas de investigación bien definidas, mecanismos de análisis y discusiones constructivas. Una vez aplicado, creemos que nuestro enfoque podría ayudar a la agencia recaudadora de impuestos a realizar intervenciones oportunas sobre el cumplimiento de las EBM, lo que ayudará a lograr el objetivo de las EBM de mejorar el cumplimiento del IVA.