Se presenta un algoritmo de aprendizaje automático basado en refuerzo para modelar una respuesta binaria con un gran desequilibrio, es decir, un evento raro. El nuevo método (i) reduce el error de predicción de la clase rara, y (ii) aproxima un modelo econométrico que permite interpretabilidad. La regresión RiskLogitboost incluye un mecanismo de ponderación que sobremuestrea o submuestrea observaciones según su probabilidad de clasificación errónea y una estrategia de corrección de sesgo de mínimos cuadrados generalizados para reducir el error de predicción. Se presenta una ilustración utilizando un conjunto de datos reales de seguros de responsabilidad civil de terceros en Francia. Los resultados muestran que la regresión RiskLogitboost mejora la tasa de detección de eventos raros en comparación con algunos algoritmos basados en refuerzo y basados en árboles, y algunos métodos existentes diseñados para tratar respuestas desequilibradas.