Proponemos una metodología para entrenar redes neuronales en la que se utilizan conjuntos de redes neuronales subentrenadas para obtener predicciones ampliamente repetibles, y aumentamos su rendimiento al interrumpir su entrenamiento, siendo cada red neuronal en el conjunto entrenada en un conjunto de datos potencialmente diferente generado a partir de los datos base mediante un método que llamamos aleatorización con muestreo de rango completo. Los hábitos de sueño en los animales son una función de factores innatos y ambientales que determinan el lugar de la especie en el ecosistema y, por lo tanto, su necesidad de dormir y la oportunidad de dormir. Aplicamos la metodología propuesta para entrenar redes neuronales para predecir horas de sueño a partir de solo siete observaciones correlacionadas en solo 39 especies (un conjunto de observaciones por especie). El resultado fue un conjunto de redes neuronales que hacían predicciones más precisas (menor error cuadrático medio) y predicciones que son más robustas contra variaciones en cualquier parámetro de entrada. La metodología presentada aquí se puede extender a otros problemas en los que los datos disponibles para el entrenamiento son limitados, o la red neuronal se va a aplicar, después del entrenamiento, a un problema con variaciones sustanciales en los valores de las entradas (variables independientes).