El creciente número de ciberataques en el mundo digitalmente interconectado de hoy requiere sistemas de detección de intrusiones (IDS) altamente eficientes, que identifiquen con precisión tanto intrusiones frecuentes como raras en la red. Uno de los desafíos más importantes en los IDS es el problema de desequilibrio de clases en los datos de flujo de tráfico de red, donde el tráfico benigno supera significativamente a las instancias de ataque. Esto afecta directamente la capacidad de los modelos de aprendizaje automático para identificar amenazas de clases minoritarias. Este trabajo tiene como objetivo evaluar varios algoritmos de aprendizaje automático bajo diferentes niveles de desequilibrio de clases, utilizando el remuestreo como estrategia para este problema. El trabajo proporcionará una comparación experimental combinando varios algoritmos para la clasificación y el aprendizaje de desequilibrio de clases, evaluando el rendimiento a través del puntaje F1 y la media geométrica (G-mean). La labor contribuirá a crear IDS robustos y adaptativos mediante la integración juiciosa de remuestreo con modelos de aprendizaje automático, ayudando así al ámbito de la ciberseguridad a volverse resiliente.