El monitoreo de animales es una tarea tradicionalmente realizada por pastores, como una forma de garantizar la seguridad y el bienestar de los animales; una tarea tremendamente ardua y solitaria, que requiere largas caminatas y períodos prolongados de contacto con los animales. El Internet de las Cosas y la posibilidad de aplicar sensores a diferentes tipos de dispositivos, en particular el uso de sensores portátiles, ha demostrado no solo ser menos invasivo para los animales, sino también tener un bajo costo y ser bastante eficiente. El presente trabajo analiza las características monitoreadas más impactantes en el proceso de aprendizaje del comportamiento y sus resultados de aprendizaje. Se aborda especialmente el impacto de un giroscopio, que influye en gran medida en el costo del collar. Basado en el conjunto de sensores elegidos, se establece posteriormente un modelo de aprendizaje y se analizan los resultados de aprendizaje. Finalmente, la capacidad de predicción del comportamiento animal del modelo de aprendizaje (que se basó en los datos sensados de animales adultos) se somete y evalúa adicionalmente en un escenario con animales más jóvenes. Los resultados sugieren que no solo es posible clasificar con precisión estos comportamientos (con una precisión equilibrada de alrededor del 91%), sino que eliminar el giroscopio puede ser ventajoso. Los resultados también muestran una contribución positiva del termómetro en la identificación del comportamiento, pero evidencian la necesidad de una mayor confirmación en trabajos futuros, considerando diferentes estaciones de diferentes años y escenarios que incluyan un comportamiento animal más diverso.