Con las características de estructura simple y bajo costo, el modelo de neurona dendrítica (DNM) se utiliza como modelo de neurona para resolver problemas complejos como problemas no lineales para lograr modelos de alta precisión. Aunque el DNM obtiene una precisión y efectividad mayores que la capa intermedia del perceptrón multicapa en problemas de clasificación a pequeña escala, no hay ejemplos que lo apliquen a problemas de clasificación a gran escala. Para lograr un mejor rendimiento en la resolución de problemas prácticos, se utiliza en este experimento un método de tipo Newton aproximado: una red neuronal con pesos aleatorios para la comparación; y tres algoritmos de aprendizaje que incluyen retropropagación (BP), optimización basada en biogeografía (BBO) y un optimizador de enjambre competitivo (CSO) en el DNM. Además, se resuelven tres problemas de clasificación utilizando los algoritmos de aprendizaje mencionados para verificar su precisión y efectividad en problemas de clasificación a gran escala. Como resultado, en cuanto al tiempo de ejecución, DNM + BP es el óptimo; DNM + CSO es el mejor en términos de estabilidad de precisión y tiempo de ejecución; y considerando la estabilidad del rendimiento integral y la tasa de convergencia, DNM + BBO es una elección acertada.