Con el tiempo, los seres humanos han construido observatorios astronómicos cada vez más grandes para aumentar el número de descubrimientos relacionados con objetos celestes. Sin embargo, la cantidad de elementos recopilados supera con creces la capacidad humana de analizar hallazgos sin ayuda. Por esta razón, los investigadores deben recurrir ahora al aprendizaje automático para analizar dichos datos, identificando y clasificando objetos o eventos transitorios dentro de extensas observaciones del firmamento. Los algoritmos de la familia de bosques aleatorios (un conjunto de árboles de decisión) se han convertido en una herramienta poderosa que se puede utilizar para clasificar eventos y objetos astronómicos. Este trabajo tiene como objetivo ilustrar la versatilidad de los algoritmos de aprendizaje automático, como los árboles de decisión, para facilitar la identificación y clasificación de cuerpos celestes manipulando hiperparámetros y estudiando los atributos de conjuntos de datos de cuerpos celestes. Al aplicar un algoritmo de bosque aleatorio a un conjunto de datos bien conocido que incluye tres tipos de cuerpos celestes, se comparó su efectividad con algunos clasificadores supervisados de los enfoques más importantes (Bayes, vecinos más cercanos, máquinas de vectores de soporte y redes neuronales). Los resultados muestran que los bosques aleatorios son una buena alternativa para el análisis de datos y la clasificación en observaciones astronómicas.