El scoring de crédito es una herramienta efectiva para los bancos y compañías de préstamos para gestionar el riesgo crediticio potencial de los prestatarios. Los algoritmos de aprendizaje automático han avanzado mucho en la discriminación automática y precisa de buenos y malos prestatarios. Especialmente, los enfoques de conjunto son un grupo de herramientas poderosas para mejorar el rendimiento del scoring de crédito. El bosque aleatorio (RF) y el Árbol de Decisión de Impulso Gradiente (GBDT) se han convertido en los métodos de conjunto principales para el scoring de crédito preciso. RF es un conjunto basado en Bagging que realiza un scoring de crédito preciso enriqueciendo la diversidad de los aprendices base al modificar el objeto de entrenamiento. Sin embargo, el patrón de optimización que funciona en objetivos de entrenamiento invariables puede aumentar la independencia estadística de los aprendices base. GBDT es un enfoque de conjunto basado en boosting que reduce el error de scoring de crédito cambiando iterativamente el objetivo de entrenamiento manteniendo las características de entrenamiento sin cambios. Esto puede perjudicar la diversidad de los aprendices base. En este estudio, incorporamos las ventajas de la estrategia de entrenamiento de conjunto Bagging y el patrón de optimización de conjunto de boosting para mejorar la diversidad de los aprendices base. Se propone un GBDT aumentado supervisado basado en máquina de aprendizaje extremo para mejorar la capacidad discriminatoria para el scoring de crédito. Los resultados experimentales en 4 conjuntos de datos públicos de crédito muestran una mejora significativa en el scoring de crédito y sugieren que el método propuesto es una buena solución para lograr un scoring de crédito preciso.