Los sistemas de advertencia de colisión frontal (FCW) existentes que adoptan parámetros cinemáticos o perceptuales tienen algunas desventajas en el rendimiento de la advertencia debido a la mala adaptabilidad a los usuarios o a la ineficacia de las advertencias. Para resolver los problemas de adaptabilidad, se han propuesto varios modelos de FCW basados en algoritmos (aprendizaje automático, aprendizaje profundo). Sin embargo, falta considerar la advertencia en múltiples etapas para evitar una advertencia abrupta que pueda asustar o distraer al conductor. En este estudio, se adoptó una máquina de refuerzo de gradiente ligero (LGBM) para desarrollar un FCW de múltiples etapas. El modelo propuesto fue entrenado y evaluado en una plataforma basada en un simulador de conducción por veinte conductores. A través de las Explicaciones Aditivas de Shapley (SHAP), se explicó la salida del modelo propuesto. Específicamente, se encontró que la aceleración del vehículo delantero, el tiempo hasta la colisión (TTC) y la velocidad relativa afectaban fuertemente las etapas de advertencia del modelo propuesto. Para evaluar la utilidad y aceptabilidad del modelo desarrollado, se comparó con tres modelos de FCW existentes en términos de indicadores subjetivos y objetivos. Como resultado, se encontró un compromiso entre la utilidad y la aceptación del usuario. Además, el estudio comparativo también indicó que el modelo desarrollado superó a otros modelos anteriores no solo por su alta precisión, sino también por el momento de activación adecuado para cada participante.