En este documento, investigamos los métodos utilizados para evaluar las posibilidades de admisión de los ingresantes de las instituciones de educación superior (IES) como un factor crucial que influye directamente en la eficiencia de admisión, la calidad de los resultados educativos y las trayectorias de vida de los futuros estudiantes. Debido a las condiciones de incertidumbre que rodean el proceso de toma de decisiones que determina la admisión de los ingresantes y la incapacidad de evaluar de forma independiente la probabilidad de resultados potenciales, proponemos la aplicación del modelo de aprendizaje automático (ML) como un algoritmo que brinda apoyo a la toma de decisiones. El modelo propuesto incluye el ensamblaje de máquinas de vectores de soporte (SVM) que amplía el conjunto de datos de entrada obtenidos utilizando la Red Neuronal Probabilística (PNN). Los algoritmos básicos incluyen cuatro métodos de ensamblaje de SVM con diferentes funciones de kernel y Regresión Logística (LR) como metaalgoritmo. Evaluamos la precisión del modelo desarrollado en tres etapas: comparación con métodos de ML existentes; comparación con un modelo basado en un solo método que lo comprende; y comparación con un modelo de ensamblaje similar y con otros tipos de ensamblajes (boosting, begging). Los resultados del modelo de ensamblaje PNN-SVM de dos etapas diseñado proporcionaron una precisión del 94% y demostraron superioridad adquirida en las etapas de comparación. Los resultados obtenidos permiten el uso del modelo presentado en las etapas posteriores del desarrollo de un sistema de apoyo intelectual para la toma de decisiones con respecto a la admisión de ingresantes.