El uso de técnicas de aprendizaje automático para identificar factores contribuyentes en incidentes aéreos ha crecido significativamente, ayudando a identificar y prevenir accidentes y mejorar la seguridad aérea. En este documento, se utilizan modelos de clasificación como LS, KNN, Random Forest, Extra Trees y XGBoost, que han demostrado ser efectivos en tareas de clasificación, para analizar informes de incidentes procesados con técnicas de procesamiento de lenguaje natural (NLP), con el fin de descubrir patrones ocultos y prevenir futuros incidentes. Se utilizan métricas como precisión, recuperación, F1-score y exactitud para evaluar el grado de corrección de los modelos predictivos. El ajuste de hiperparámetros se obtiene con Grid Search y Optimización Bayesiana. KNN tuvo la mejor calificación predictiva, seguido por Random Forest y Extra Trees. Los resultados indican que el uso de herramientas de aprendizaje automático para clasificar incidentes y accidentes ayuda a identificar su causa raíz, mejorando la toma de decisiones situacionales.