En optimización, la selección de algoritmos, que consiste en la elección del algoritmo más adecuado para un problema específico, es de gran importancia, ya que el rendimiento del algoritmo depende en gran medida del problema que se está resolviendo. Sin embargo, al utilizar el aprendizaje automático para la selección de algoritmos, el rendimiento del modelo de selección de algoritmos depende de los datos utilizados para entrenar y probar el modelo, y los benchmarks de optimización existentes solo proporcionan una cantidad limitada de datos. Para ayudar con este problema, se ha demostrado que la generación artificial de problemas es una herramienta útil para aumentar los problemas de benchmark existentes. En este artículo, estamos interesados en el problema de transferencia de conocimiento entre los problemas de benchmark generados artificialmente y los problemas de benchmark hechos a mano existentes en el dominio de la optimización numérica continua. Es decir, ¿puede un modelo de selección de algoritmos entrenado puramente en problemas generados artificialmente proporcionar correctamente recomendaciones de algoritmos para problemas hechos a mano existentes? Mostramos que dicho modelo produce resultados de baja calidad, y también proporcionamos explicaciones sobre cómo funciona el modelo de selección de algoritmos y mostramos las diferencias entre los conjuntos de datos de problemas para explicar el rendimiento del modelo.