En este artículo, examinamos el rendimiento de varios clasificadores en el proceso de búsqueda de opiniones muy negativas. Más precisamente, realizamos un estudio empírico que analiza la influencia de tres tipos de características lingüísticas (n-gramas, incrustaciones de palabras y léxicos de polaridad) y sus combinaciones cuando se utilizan para alimentar diferentes clasificadores de aprendizaje automático supervisado: Naive Bayes (NB), Árbol de Decisión (DT) y Máquina de Vectores de Soporte (SVM). Los experimentos que hemos llevado a cabo muestran que SVM supera claramente a NB y DT en todos los conjuntos de datos, teniendo en cuenta todas las características individualmente, así como sus combinaciones.