La cantidad de información generada actualmente en el mundo ha estado aumentando de forma exponencial, planteando la pregunta de si todos los datos adquiridos son relevantes para el proceso del algoritmo de aprendizaje. Si un subconjunto de los datos no aporta suficiente innovación, se pueden emplear estrategias de selección de datos para reducir el costo de complejidad computacional y, en muchos casos, mejorar la precisión de la estimación. En este documento, exploramos algunos algoritmos de filtrado adaptativo cuyas características principales son su rápida convergencia y selección de datos. Estos algoritmos incorporan una estrategia de selección de datos prescrita y se comparan en distintos entornos de aplicaciones. Los resultados de la simulación incluyen tanto datos sintéticos como reales.