El tráfico de red exhibe un alto nivel de variabilidad en períodos cortos de tiempo. Esta variabilidad impacta negativamente en la precisión de los sistemas de detección de intrusiones en red basados en anomalías (IDS) que se construyen utilizando modelos predictivos en un entorno de aprendizaje por lotes. Este trabajo investiga cómo la adaptación del umbral discriminante de las predicciones del modelo, específicamente al tráfico evaluado, mejora las tasas de detección de estos modelos de detección de intrusiones. Específicamente, esta investigación estudió las características de adaptabilidad de tres algoritmos de aprendizaje automático bien conocidos: C5.0, Random Forest y Support Vector Machine. Se evaluó y analizó la capacidad de cada algoritmo para adaptar sus umbrales de predicción en diferentes escenarios que simularon configuraciones del mundo real utilizando el enfoque de muestreo prospectivo. Se utilizaron múltiples conjuntos de datos de IDS para el análisis, incluido un conjunto de datos recién generado (STA2018). Esta investigación demostró empíricamente la importancia de la adaptación del umbral para mejorar la precisión de los modelos de detección cuando el tráfico de entrenamiento y evaluación tiene diferentes propiedades estadísticas. Se realizaron pruebas para analizar los efectos de la selección de características y el balanceo de datos en la precisión del modelo cuando se utilizaron diferentes características significativas en el tráfico. Los efectos de la adaptación del umbral en la mejora de la precisión fueron analizados estadísticamente. De los tres algoritmos comparados, Random Forest fue el más adaptable y tuvo las tasas de detección más altas.