Las amenazas internas son uno de los tipos de ataques más costosos y difíciles de detectar debido a que los insiders tienen derecho de acceder a los sistemas de red de una organización y comprender su estructura y procedimientos de seguridad, lo que dificulta detectar este tipo de comportamiento a través de auditorías de comportamiento tradicionales. Este documento propone un método para aprovechar puntuaciones de valores atípicos no supervisados para mejorar la detección de amenazas internas supervisadas mediante la integración de las ventajas de los métodos de aprendizaje supervisado y no supervisado y utilizando múltiples algoritmos de minería de valores atípicos no supervisados para extraer representaciones útiles de los datos subyacentes, mejorando así el poder predictivo de los clasificadores supervisados en el espacio de características mejorado. Este enfoque novedoso proporciona un rendimiento superior, y nuestro método ofrece un mejor poder predictivo en comparación con otros excelentes métodos de detección de anomalías. Utilizando solo el 20% del presupuesto informático, nuestro método logró una precisión del 86.12%. En comparación con otros métodos de detección de anomalías, la precisión aumentó hasta un 12.5% bajo el mismo presupuesto informático.