El número de dispositivos IoT conectados está aumentando significativamente debido a sus muchos beneficios, que incluyen la automatización, la mejora de la eficiencia y la calidad de vida, y la reducción de residuos. Sin embargo, estos dispositivos tienen varias vulnerabilidades que han llevado al rápido crecimiento en el número de ataques. Por lo tanto, se han desarrollado varias herramientas de sistemas de detección de intrusiones (IDS) basadas en aprendizaje automático para detectar intrusiones y actividades sospechosas hacia y desde un host (HIDS-Host IDS) o, en general, dentro del tráfico de una red (NIDS-Network IDS). El trabajo propuesto realiza un análisis comparativo y un estudio ablativo entre los NIDS recientes basados en aprendizaje automático para desarrollar un punto de referencia de las diferentes estrategias propuestas. El trabajo propuesto compara tanto algoritmos de aprendizaje superficial, como árboles de decisión, bosques aleatorios, Naïve Bayes, regresión logística, XGBoost y máquinas de soporte vectorial, como algoritmos de aprendizaje profundo, como DNNs, CNNs y LSTM, cuyo enfoque es relativamente nuevo en la literatura. También se prueban los conjuntos. Los algoritmos se evalúan en los conjuntos de datos KDD-99, NSL-KDD, UNSW-NB15, IoT-23 y UNB-CIC IoT 2023. Los resultados muestran que las herramientas NIDS basadas en enfoques de aprendizaje profundo logran un mejor rendimiento en la detección de anomalías en la red que los enfoques de aprendizaje superficial, y los conjuntos superan a todos los demás modelos.