La alta frecuencia de caries dental es una preocupación importante para la salud pública a nivel mundial. La condición es común, especialmente en países en desarrollo. Dado que no hay signos evidentes en etapas tempranas, la caries dental a menudo no recibe tratamiento. Mientras tanto, la detección temprana y la intervención clínica oportuna son necesarias para frenar el desarrollo de la enfermedad. Los modelos de aprendizaje automático (ML) pueden beneficiar a los médicos en la detección temprana de las caries dentales a través de diagnósticos asistidos por computadora eficientes y rentables. Este estudio propuso un método más efectivo para diagnosticar caries dental mediante la integración de los algoritmos GINI y mRMR con el clasificador GBDT. Dado que solo se requieren algunas características de prueba clínica para el diagnóstico, esta estrategia podría ahorrar tiempo y dinero al momento de realizar pruebas de caries dental. El método propuesto se comparó con procedimientos dentales propuestos recientemente. Entre estos clasificadores, se logró el mejor rendimiento de clasificación con el GBDT sugerido entrenado con un conjunto de características reducido, con valores de precisión, puntaje F1, precisión y recall del 95%, 93%, 99% y 88%, respectivamente. Además, los resultados experimentales sugieren que la selección de características mejoró el rendimiento de los diversos clasificadores. El método sugerido produjo un buen modelo predictivo para el diagnóstico de caries dental, que podría ser utilizado en conjuntos de datos médicos más desequilibrados para identificar la enfermedad de manera más efectiva.