Las técnicas de ciencia de datos y aprendizaje automático ayudan a los bancos a optimizar las operaciones empresariales, mejorar los análisis de riesgo y obtener una ventaja competitiva. Hay una gran cantidad de investigaciones en riesgo crediticio, pero hasta donde sabemos, ninguna de ellas utiliza el registro de crédito como fuente de datos para modelar la probabilidad de incumplimiento de clientes individuales. El objetivo de este documento es evaluar diferentes modelos de aprendizaje automático para crear un modelo preciso para la evaluación del riesgo crediticio utilizando los datos del conjunto de datos real del registro de crédito del Banco Central de la República de Macedonia del Norte. Creemos firmemente que el modelo desarrollado en esta investigación será una fuente adicional de información valiosa para los bancos comerciales, aprovechando los datos históricos de toda la población del país en todos los bancos comerciales. Así, en esta investigación, comparamos cinco modelos de aprendizaje automático para clasificar los datos de riesgo crediticio, es decir, regresión logística, árbol de decisión, bosque aleatorio, máquinas de soporte vectorial (SVM) y red neuronal. Evaluamos los cinco modelos utilizando diferentes métricas de aprendizaje automático y proponemos un modelo basado en datos del registro de crédito del banco central con una metodología detallada que puede predecir el riesgo crediticio basado en el historial crediticio de la población en el país. Nuestros resultados muestran que la mejor precisión se logra utilizando el árbol de decisión en datos desbalanceados con y sin escalado, seguido por el bosque aleatorio y la regresión lineal.