Esse projeto teve como objetivo a análise de diferentes métodos de classificação estatística, visando entender os fundamentos por trás de cada um e suas características. Os métodos investigados foram: regressão logística, linear discriminant analysis, k-nearest neighbours, árvores de classificação, random forests e support vector machines. Após um estudo conceitual de cada método, estes foram aplicados a três diferentes bases de dados: Taiwan Company Bankruptcy, Student Alcohol Consumption e PNAD COVID19. Os modelos foram implementados utilizando o pacote caret, disponível na linguagem R. A partir de um conjunto de métricas como acurácia, ROC-AUC e log loss, foram escolhidos como mais acurados os modelos de gradient boosting e random forests. Assim, concluiu-se que métodos de classificação baseados em ensemble possuem melhor capacidade preditiva de forma geral, apesar de outros métodos também serem capazes de gerarem bons resultados e possuirem outras características vantajosas como interpretabilidade e tempo de execução.