Quintana-Zaez, Julio CesarVelarde-Bedregal, Hector RaúlAnton-Vargas, JarvinJoaquim-Luis, Geronimo2020-08-172022-02-222020-08-172022-02-222020-07978-958-52071-4-12414-6390http://laccei.org/LACCEI2020-VirtualEdition/meta/FP306.htmlhttp://dx.doi.org/10.18687/LACCEI2020.1.1.306https://axces.info/handle/10.18687/20200101_306La seguridad de los datos consumidos, generados y almacenados es crucial para la calidad de vida en la sociedad actual. Por esta razón, este documento propone un estudio comparativo de diferentes esquemas de combinación de clasificadores múltiples basados ​​en árboles de decisión, debido a su escalabilidad y fácil implementación. Como resultado, se obtuvieron valores de precisión y recuperación de aproximadamente 97% y 100%, que muestran su alta confiabilidad, reducen las falsas alarmas y la alta capacidad de generalización. Una comparación con un algoritmo basado en el aprendizaje profundo mostró que las estrategias de combinación de árboles son competitivas y con resultados estadísticamente similares y superiores al estado de la técnica. Al final, los resultados sugieren que las estrategias de adaptación como XGBoost o estrategias altamente aleatorias como Random Forest o Extra-Tree pueden ser alternativas para la protección de datos valiosos en la redEnglishLACCEI Licensehttps://laccei.org/blog/copyright-laccei-papers/IDSArboles de decisiónBosque aleatorioArbol extraAprendizaje profundo.Article