Desarrollamos una metodología para el impulso de la red neuronal de regresión logística con el objetivo de aprender una estructura de modelo adicional a partir de los datos. En particular, construimos dos clases de modelos basados en redes neuronales: redes neuronales densas superficiales con una capa oculta y redes neuronales profundas con múltiples capas ocultas. Además, se exploraron varios enfoques avanzados, incluyendo el enfoque de red neuronal actuarial combinada, incrustaciones y aprendizaje por transferencia. El entrenamiento del modelo se logró minimizando las funciones de pérdida de desviación o entropía cruzada, lo que dio lugar a un total de catorce modelos basados en redes neuronales. Con fines ilustrativos, la regresión logística y los modelos alternativos basados en redes neuronales que proponemos se emplean en un ejercicio de clasificación binaria relacionado con la ocurrencia de al menos una reclamación en un portafolio de seguros de responsabilidad civil de automóviles francés. Finalmente, el problema de la interpretabilidad del modelo se abordó a través del enfoque de explicaciones locales interpretables de modelos agnósticos.