Este trabajo está diseñado para ayudar a los investigadores y a los aprendices interesados en comprender y poner en práctica enfoques de clasificación de aprendizaje automático profundo. Su objetivo era simplificar, facilitar y avanzar en las habilidades de metodología de clasificación. Para facilitar la comprensión de los usuarios, empleó un enfoque metódico. Las medidas de evaluación de categorización buscan proporcionar los fundamentos de estas medidas y demostrar cómo funcionan para actuar como un recurso integral para académicos interesados en esta área. La detección de intrusiones y el análisis de amenazas (IDAT) es un problema de ciberseguridad particularmente desagradable. En este estudio, IDAT se identifica como un caso de estudio, y se generó un conjunto de datos de muestra real que fue utilizado para la concienciación institucional y comunitaria por los investigadores. Esta revisión muestra que, para resolver un problema de clasificación, es crucial utilizar la salida de la clasificación en términos de medidas de rendimiento, abarcando tanto criterios convencionales como métricas contemporáneas. Este estudio se centró en abordar la dinámica de las capacidades de evaluación de clasificación para utilizar tanto escalares como métricas visuales, y para solucionar las dificultades de conjuntos de datos desbalanceados. En conclusión, esta revisión es una herramienta útil para los investigadores, especialmente cuando están trabajando en el preprocesamiento de grandes datos, manejando datos desbalanceados para la evaluación multiclasificación y la clasificación de ML.