Este artículo investiga la efectividad de varias técnicas de clasificación para predecir el distress financiero de las empresas albanesas. El conjunto de datos incluye 16 ratios financieros de los estados financieros de 187 de las mayores empresas no financieras que operan en Albania, abarcando el período de 2011 a 2014, y clasificadas por ingresos de 2014. Los métodos utilizados para predecir el distress financiero son la regresión logística, Ada Boost, Naïve Bayes, árboles de decisión, máquinas de soporte vectorial (SVM), redes neuronales y bosques aleatorios. Para comparar la efectividad de los modelos aplicados, utilizamos la Precisión de Clasificación (CA), la matriz de confusión y el área bajo la curva (AUC) como criterios de evaluación. Los resultados demuestran la superior capacidad predictiva de los métodos de conjunto, siendo el bosque aleatorio el que logra pronósticos más precisos que otros métodos, seguido por Ada Boost. La investigación contribuye a la literatura al mostrar el valor añadido de los modelos de aprendizaje automático en mercados emergentes con prácticas y condiciones económicas únicas y proponer un enfoque de clasificación alternativo para la clasificación del distress financiero cuando faltan datos de quiebra. Finalmente, los hallazgos empíricos evidencian que las fortalezas de los métodos de aprendizaje en conjunto se refuerzan en conjuntos de datos no grandes y desbalanceados de una economía emergente única. Estas ideas son relevantes para las instituciones de crédito y los investigadores que buscan perfeccionar los modelos de riesgo crediticio en mercados únicos donde el acceso a datos relevantes es un desafío.