Debido a su capacidad para suministrar potencia informática confiable, robusta y escalable, la computación en la nube está ganando cada vez más popularidad en la industria, el gobierno y la academia. Las redes de alta velocidad conectan tanto máquinas virtuales como reales en los centros de datos de la computación en la nube. El entorno de aprovisionamiento dinámico del sistema depende de los requisitos de los recursos informáticos del usuario final. Por lo tanto, los costos operativos de un centro de datos en particular son relativamente altos. Para cumplir con los acuerdos de nivel de servicio (SLAs), es esencial asignar un número máximo adecuado de recursos. La virtualización es una tecnología fundamental utilizada en la computación en la nube. Ayuda a los proveedores de la nube a gestionar eficazmente los recursos del centro de datos y, por lo tanto, mejora el uso de recursos creando varias instancias de máquinas virtuales (VM). Además, las VM pueden integrarse dinámicamente en unos pocos nodos físicos según los requisitos actuales de recursos utilizando migración en vivo, cumpliendo al mismo tiempo con los SLAs. Como resultado, la consolidación de VM no optimizada e ineficiente puede reducir el rendimiento cuando una aplicación está expuesta a cargas de trabajo variables. Este documento introduce un nuevo enfoque basado en machine learning para integrar dinámicamente las VM basado en predicciones adaptativas de umbrales de uso para lograr estándares aceptables de acuerdos de nivel de servicio (SLAs). Se generaron datos dinámicos durante la ejecución para validar la eficiencia de la técnica propuesta en comparación con otros algoritmos de machine learning.