Desarrollamos un nuevo optimizador de clasificadores iterativos (ICO) con algoritmos de conjunto de árbol de decisión alternante (ADT), Bayes ingenuo (NB), red neuronal artificial (ANN) y red neuronal de aprendizaje profundo (DLNN) para construir nuevos modelos computacionales de conjunto (ADT-ICO, NB-ICO, ANN-ICO y DLNN-ICO) para la cartografía de susceptibilidad a inundaciones (FS) en la cuenca del río Padma, Bangladesh. Los modelos consisten en circunstancias ambientales, topográficas, hidrológicas y tectónicas, y el resultado final se eligió en función de los atributos causales utilizando análisis de multicolinealidad. Se utilizaron técnicas estadísticas para evaluar el rendimiento del modelo. Los resultados revelaron que la lluvia, la elevación y la distancia del río son las variables más influyentes para la ocurrencia de inundaciones en la cuenca. El modelo de conjunto de DLNN-ICO tiene un rendimiento predictivo óptimo (AUC = 0.93 y 0.91, sensibilidad = 0.93 y 0.92, especificidad = 0.90 y 0.80, puntuación F = 0.91 y 0.86 en las etapas de entrenamiento y validación, respectivamente), seguido por ADT-ICO, NB-ICO y ANN-ICO, y podría ser una técnica viable para predecir y visualizar con precisión los eventos de inundación.