La scintilación ionosférica es un problema urgente en los estudios del clima espacial debido a sus diversos efectos en los sistemas de posicionamiento, navegación y temporización (PNT). Desarrollar un modelo de predicción preciso y oportuno para este evento es crucial. En este trabajo, desarrollamos dos modelos de aprendizaje automático para la predicción de eventos de scintilación ionosférica en la anomalía ecuatorial durante las fases máxima y mínima del ciclo solar 24. Los modelos desarrollados en este estudio son el algoritmo Random Forest (RF) y el algoritmo eXtreme Gradient Boosting (XGBoost). Los modelos toman entradas basadas en los parámetros del viento solar obtenidos de la base de datos OMNI Web de los años 2010-2017 y la potencia de onda Pc5 obtenida de la estación magnetométrica Bear Island (BJN). Recuperamos datos del receptor de la Red de Scintilación y Ayuda a la Decisión (SCINDA) en Egipto, a partir de los cuales se calculó el índice S4 para cuantificar las scintilaciones de amplitud que se utilizaron como objetivo en el desarrollo del modelo. Se realizó una prueba de modelo fuera de muestra para evaluar la precisión de predicción de los modelos en datos no vistos después del entrenamiento. La similitud entre los eventos de scintilación observados y predichos, cuantificada por la puntuación, fue de 0.66 y 0.74 para los modelos RF y XGBoost, respectivamente. Los errores cuadráticos medios (RMSE) correspondientes asociados con los modelos fueron de 0.01 y 0.01 para los modelos RF y XGBoost, respectivamente. La similitud en el error muestra que el modelo XGBoost es una buena y preferida opción para la predicción de eventos de scintilación ionosférica en la anomalía ecuatorial. Con estos resultados, recomendamos el uso de técnicas de aprendizaje en conjunto para el estudio del fenómeno de la scintilación ionosférica.