Uno de los objetivos típicos de los algoritmos de filtrado colaborativo es producir predicciones de calificaciones con valores muy cercanos a lo que los usuarios reales darían a un artículo. Posteriormente, los artículos con los mayores valores de predicción de calificaciones serán recomendados a los usuarios por el sistema de recomendación. Los algoritmos de filtrado colaborativo se pueden aplicar tanto a conjuntos de datos dispersos como densos, y cada una de estas categorías de conjuntos de datos implica diferentes tipos de riesgos. En lo que respecta a los conjuntos de datos densos de filtrado colaborativo, donde la cobertura de predicción de calificaciones es, la mayor parte del tiempo, muy alta, generalmente enfrentamos largos tiempos de predicción de calificaciones, problemas relacionados con la selección de los vecinos cercanos de un usuario, etc. Aunque los algoritmos de filtrado colaborativo suelen lograr mejores resultados cuando se aplican a conjuntos de datos densos, todavía hay margen de mejora, ya que en muchos casos, el error de predicción de calificaciones es relativamente alto, lo que conduce a recomendaciones fallidas y, por lo tanto, a la falta de fiabilidad del sistema de recomendación. En este trabajo, exploramos las características de precisión de la predicción de calificaciones, aunque en un contexto más amplio, en conjuntos de datos densos de filtrado colaborativo. Realizamos una evaluación extensa, utilizando conjuntos de datos densos, ampliamente utilizados en la investigación de filtrado colaborativo, con el fin de encontrar las asociaciones entre estas características y la precisión de la predicción de calificaciones.