Dado su creciente número y variedad, combatir el malware se está volviendo cada vez más arduo. Las técnicas de aprendizaje automático se utilizan con frecuencia en la literatura para descubrir automáticamente los modelos y patrones detrás de tales desafíos y crear soluciones que puedan mantener el ritmo rápido al que evoluciona el malware. Este artículo compara varios métodos de aprendizaje de conjuntos basados en árboles que se han propuesto en el análisis de malware PE. Un conjunto basado en árboles es un paradigma de aprendizaje no convencional que construye y combina una colección de aprendices base (por ejemplo, árboles de decisión), a diferencia del paradigma de aprendizaje convencional, que tiene como objetivo construir aprendices individuales a partir de datos de entrenamiento. Se tienen en cuenta varias técnicas de conjuntos basados en árboles, como bosques aleatorios, XGBoost, CatBoost, GBM y LightGBM, y se evalúan utilizando diferentes medidas de rendimiento, como precisión, MCC, precisión, recall, AUC y F1. Además, el experimento incluye muchos conjuntos de datos públicos, como BODMAS, Kaggle y CIC-MalMem-2022, para demostrar la generalizabilidad de los clasificadores en una variedad de contextos. Según los hallazgos de la prueba, todos los conjuntos basados en árboles tuvieron un buen desempeño y las diferencias de rendimiento entre los algoritmos no son estadísticamente significativas, especialmente cuando sus hiperparámetros respectivos están configurados adecuadamente. Las técnicas de conjuntos basados en árboles propuestas también superaron a otros detectores de malware PE similares que se han publicado en los últimos años.