La seguridad de los sistemas en red se ha convertido en un problema universal crítico que afecta a individuos, empresas y gobiernos. La tasa de ataques contra sistemas en red ha aumentado drásticamente, y las tácticas utilizadas por los atacantes siguen evolucionando. La detección de intrusiones es una de las soluciones contra estos ataques. Un enfoque común y efectivo para diseñar Sistemas de Detección de Intrusiones (IDS) es el Aprendizaje Automático. El rendimiento de un IDS mejora significativamente cuando las características son más discriminativas y representativas. Este estudio utiliza dos enfoques de reducción de dimensionalidad de características: (i) Auto-Codificador (AE): una instancia de aprendizaje profundo, para la reducción de dimensionalidad, y (ii) Análisis de Componentes Principales (PCA). Las características de baja dimensionalidad resultantes de ambas técnicas se utilizan luego para construir varios clasificadores como Bosque Aleatorio (RF), Red Bayesiana, Análisis Discriminante Lineal (LDA) y Análisis Discriminante Cuadrático (QDA) para diseñar un IDS. Los hallazgos experimentales con características de baja dimensionalidad en clasificación binaria y multiclase muestran un mejor rendimiento en términos de Tasa de Detección (DR), F-Medida, Tasa de Falsas Alarmas (FAR) y Precisión. Este esfuerzo de investigación logra reducir las dimensiones de características del conjunto de datos CICIDS2017 de 81 a 10, manteniendo una alta precisión del 99.6% en clasificación multiclase y binaria. Además, en este documento, proponemos una métrica de rendimiento combinada multiclase con respecto a la distribución de clases para comparar varios sistemas de clasificación multiclase y binaria mediante la incorporación de FAR, DR, Precisión y parámetros de distribución de clases. Además, desarrollamos un enfoque de equilibrio basado en una distribución uniforme para manejar la distribución desequilibrada de las instancias de la clase minoritaria en el conjunto de datos de intrusión en red CICIDS2017.