La gestión de haces es una funcionalidad clave para establecer y mantener una comunicación fiable en redes celulares y vehiculares, y se vuelve más crítica en frecuencias de ondas milimétricas (mmWave) y para escenarios de alta movilidad. Los enfoques tradicionales consumen recursos inalámbricos y generan altos costos de capacitación de haces para encontrar las mejores combinaciones de haces, lo que hace necesario enfoques alternativos como los basados en posición, visión o, de manera más general, en predicciones de haces asistidas por sensores. Los sistemas actuales también están aprovechando la inteligencia artificial/aprendizaje automático (ML) para optimizar los procedimientos de gestión de haces; sin embargo, la mayoría de los marcos de ML propuestos se han aplicado a conjuntos de datos sintéticos, lo que lleva a un rendimiento sobreestimado. En este trabajo, en el contexto de la comunicación vehículo-infraestructura (V2I) y utilizando conjuntos de datos experimentales del mundo real de DeepSense6G, investigamos el rendimiento de cuatro algoritmos de ML en la precisión de predicción de haces para escenarios mmWave V2I. Comparamos el rendimiento de los algoritmos de vecino más cercano (KNN), máquina de vectores de soporte (SVM), árbol de decisiones (DT) y Bayes ingenuo (NB) en la precisión de predicción de haces asistida por posición y métricas relacionadas como precisión, sensibilidad, especificidad y puntuación F1. Se investigaron los impactos de diferentes tamaños de libro de códigos de haces y ratios de división de conjuntos de datos en cinco conjuntos de datos de escenarios diferentes, de forma independiente y colectiva. También se emplearon matrices de confusión y área bajo las curvas características de operación del receptor para visualizar las estadísticas de (des)clasificación de los algoritmos de ML considerados. Los resultados muestran que SVM supera a los otros tres algoritmos, en su mayor parte, en los casos de escenario por escenario. Sin embargo, para el escenario combinado con muestras de datos más grandes, DT supera a los otros tres algoritmos tanto para los diferentes tamaños de libro de códigos como para los ratios de división de datos. Los resultados también muestran un rendimiento comparable para los diferentes ratios de división de datos considerados para los diferentes algoritmos. Sin embargo, con respecto a los tamaños de libro de códigos, los resultados muestran que cuanto mayor es el tamaño del libro de códigos, menor es la precisión de predicción de haces. Con los mejores resultados de precisión alrededor del 70% para el escenario combinado en este estudio, se pueden explorar enfoques asistidos por sensores multimodales para aumentar el rendimiento de predicción de haces, aunque a expensas de una mayor complejidad del sistema en comparación con el enfoque basado en posición considerado en este estudio.