El sesgo no intencionado contra grupos protegidos se ha convertido en un obstáculo clave para la adopción generalizada de métodos de aprendizaje automático. Este trabajo presenta un procedimiento de modelado que construye cuidadosamente modelos en torno a la información de clase protegida para asegurarse de que el modelo final de aprendizaje automático sea independiente del estado de clase protegida, incluso en un sentido no lineal. Este procedimiento funciona para cualquier método de aprendizaje automático. El procedimiento fue probado en datos de tarjetas de crédito subprime combinados con datos demográficos por código postal del Censo de EE. UU. Los datos del censo sirven como un proxy imperfecto para la demografía de los prestatarios, pero sirven para ilustrar el procedimiento.