Данное исследование направлено на прогнозирование количества коррупционных преступлений в Казахстане с использованием методов машинного обучения. Анализ основан на официальных ежемесячных данных о преступности, собранных с портала правовой статистики, в частности данных из отчета № 3-К, который фиксирует случаи коррупционных преступлений с 2016 г. Были применены три регрессионные модели: метод k ближайших соседей (kNN), градиентный бустинг (XGBoost) и линейная регрессия. Оценка моделей проведена по метрикам средняя абсолютная ошибка (MAE), среднеквадратичная ошибка (MSE) и коэффициент детерминации (R²). Результаты показали, что линейная регрессия достигла наивысшей точности прогнозирования (R² = 1.000), за ней следуют XGBoost (R² = 0.9977) и kNN (R² = 0.9333). Эти данные подтверждают, что модели машинного обучения могут эффективно предсказывать динамику коррупционных преступлений. Исследование демонстрирует потенциал машинного обучения в прогнозировании коррупционных преступлений. В дальнейшем можно изучить дополнительные предикторы, протестировать альтернативные модели и интегрировать анализ с потоковыми данными для повышения точности прогнозирования.