Los acelerómetros son herramientas poderosas para los ecólogos del comportamiento que estudian animales salvajes, particularmente especies que son difíciles de observar debido a su naturaleza críptica o hábitats densos o de difícil acceso. Utilizando un enfoque supervisado, por ejemplo, observando en detalle con un etograma detallado el comportamiento de un individuo que lleva un acelerómetro, para entrenar un algoritmo de aprendizaje automático y los datos del acelerómetro de un individuo de una población salvaje de lorises lentos de Java, aplicamos un modelo de Bosque Aleatorio (RFM) para clasificar automáticamente comportamientos específicos y modificadores de postura o movimiento. Predijimos que el RFM identificaría comportamientos simples como descansar con la mayor precisión, mientras que comportamientos más complejos como alimentarse y locomoción serían identificados con menor precisión. De hecho, los comportamientos de descanso fueron identificados con una precisión media del 99.16%, mientras que los comportamientos de alimentación fueron identificados con una precisión media del 94.88% y los comportamientos locomotores con un 85.54%. El modelo identificó un total de 21 combinaciones distintas de seis comportamientos y 18 modificadores posturales o de movimiento en este conjunto de datos, mostrando que los RFM son efectivos como un enfoque supervisado para clasificar datos de acelerómetros. Los métodos utilizados en este estudio pueden servir como pautas para futuras investigaciones sobre lorises lentos y otros mamíferos salvajes ecológicamente similares. Estos resultados son alentadores y tienen importantes implicaciones para comprender las respuestas de la vida silvestre y la resistencia al cambio climático global, la modificación y destrucción ambiental antropogénica, y otras presiones.