El sistema bancario, como el sector más importante de la economía de cada país, a menudo se enfrenta a una serie de riesgos. Las instituciones financieras de ese sistema operan en un entorno inestable y, sin tener información completa sobre ese entorno, pueden sufrir pérdidas significativas. La principal fuente de tales pérdidas se considera que son los riesgos de crédito, y para la gestión de estos, se están desarrollando varios modelos matemáticos que permitirán a los bancos tomar decisiones sobre la concesión de un préstamo. Últimamente, para este propósito, se han utilizado a menudo algoritmos de clasificación de aprendizaje automático (ML) para la modelización del riesgo de crédito. En este trabajo de investigación, utilizando las ideas de algoritmos de ML bien conocidos, se desarrolló un nuevo algoritmo para resolver el problema de clasificación binaria. Mediante el algoritmo creado, basado en datos reales, se ha desarrollado un modelo de clasificación. Se evaluaron indicadores cualitativos de ese modelo, como ROC AUC, PR AUC, precisión, recuperación y puntuación F1. Al modificar las probabilidades resultantes en un rango de 300-850 puntos de puntuación, se ha desarrollado un modelo de puntuación, cuyo uso puede mitigar el riesgo de crédito y proteger a las organizaciones financieras de pérdidas importantes.