La necesidad de formar expertos que puedan aplicar métodos de aprendizaje automático para descubrimiento de conocimiento está aumentando. La construcción de un modelo efectivo de aprendizaje automático requiere entender el principio de funcionamiento de los métodos individuales y sus requisitos en términos de prepreparación de datos, y también es importante poder interpretar el conocimiento adquirido. Este artículo presenta un experimento que compara la opinión de los 42 estudiantes del curso llamado Introducción al Aprendizaje Automático sobre la complejidad del método, el preprocesamiento y la interpretabilidad de los métodos simbólicos, subsimbólicos y estadísticos con la corrección de los métodos individuales expresados en la tarea de clasificación. La metodología del experimento implementado consiste en la aplicación de varias técnicas para buscar modelos óptimos, cuya precisión se compara posteriormente con los resultados de una prueba de conocimiento sobre métodos de aprendizaje automático y las opiniones de los estudiantes sobre su complejidad. Basándose en las pruebas estadísticas no paramétricas y paramétricas realizadas, se rechaza la hipótesis nula, la cual afirma que no hay una diferencia estadísticamente significativa en la evaluación de los métodos individuales en términos de su complejidad/exigencia, la complejidad del preprocesamiento de datos, la comprensibilidad del conocimiento adquirido y la corrección de la clasificación.