En este trabajo, estudiamos el uso de algoritmos de Aprendizaje Automático Cuántico (QML) para la clasificación binaria y comparamos su rendimiento con los métodos clásicos de Aprendizaje Automático (ML). QML fusiona principios de la Computación Cuántica (QC) y ML, ofreciendo una mayor eficiencia y una posible ventaja cuántica en tareas impulsadas por datos y al resolver problemas complejos. En la clasificación binaria, donde el objetivo es asignar datos a una de dos categorías, QML utiliza algoritmos cuánticos para procesar grandes conjuntos de datos de manera eficiente. Algoritmos cuánticos como las Máquinas de Vectores de Soporte Cuánticas (QSVM) y las Redes Neuronales Cuánticas (QNN) explotan el paralelismo cuántico y el entrelazamiento para mejorar el rendimiento en comparación con los métodos clásicos. Este estudio se centra en dos algoritmos comunes de QML, el Clasificador de Vectores de Soporte Cuántico (QSVC) y QNN. Utilizamos el software Qiskit y realizamos los experimentos con tres conjuntos de datos diferentes. El preprocesamiento de datos incluyó la reducción de dimensionalidad utilizando Análisis de Componentes Principales (PCA) y la estandarización utilizando escaladores. Los resultados mostraron que los algoritmos cuánticos demostraron un rendimiento competitivo frente a sus contrapartes clásicas en términos de precisión, mientras que QSVC tuvo un mejor rendimiento que QNN. Estos hallazgos sugieren que QML tiene potencial para mejorar la eficiencia computacional en tareas de clasificación binaria. Esto abre el camino para soluciones más eficientes y escalables en desafíos de clasificación complejos y muestra el papel complementario de la computación cuántica.