In the banking sector, credit risk management is becoming increasingly complex and crucial in the context of globalization. Credit risk is one of the primary challenges for financial institutions when borrowers fail to fulfill debt repayment obligations as promised. To mitigate this risk, machine learning methods have become important tools in assessing individual borrowing capabilities. In this study, we compare the performance of four popular machine learning models: Decision Tree, Random Forest, Support Vector Machine, and Logistic Regression in credit risk assessment. The data underwent testing and analysis, showing that the Random Forest model outperformed the others, with the highest accuracy of 93.22 %. These results provide profound insights into the applicability of machine learning models in credit risk assessment and may assist financial institutions in making decisions regarding individual credit issuance.Trong ngành ngân hàng, quản lý rủi ro tín dụng ngày càng trở nên phức tạp và quan trọng trong bối cảnh toàn cầu hóa. Rủi ro tín dụng là một trong những thách thức chính đối diện các tổ chức tài chính, khi những người vay không thực hiện nghĩa vụ trả nợ theo cam kết. Để giảm thiểu rủi ro này, các phương pháp học máy đã trở thành một công cụ quan trọng trong việc đánh giá khả năng vay của cá nhân. Nghiên cứu này so sánh hiệu suất của bốn mô hình học máy phổ biến: “Cây quyết định”, “Rừng ngẫu nhiên”, “Máy véctơ hỗ trợ”, và “Hồi quy logistic” trong việc đánh giá rủi ro tín dụng. Dữ liệu đã trải qua kiểm thử và phân tích cho thấy mô hình “Rừng ngẫu nhiên” vượt trội hơn so với các mô hình còn lại, với độ chính xác cao nhất là 93,22 %. Kết quả này cung cấp cái nhìn sâu sắc về khả năng ứng dụng của các mô hình học máy trong việc đánh giá rủi ro tín dụng và có thể hỗ trợ các tổ chức tài chính trong quyết định về việc cấp tín dụng cho cá nhân.