El ruido de etiquetas es un problema perjudicial que surge cuando los datos están etiquetados erróneamente. Pueden ocurrir varios problemas de ruido de etiquetas, pero, entre ellos, las inconsistencias en las unidades de medida (UMIs) son inexplicablemente descuidadas en la literatura. A pesar de su relevancia, aún no se ha desarrollado un enfoque general y automatizado para la detección de UMIs adecuado para turbinas de gas (GTs); como resultado, el diagnóstico, pronóstico y control de GT pueden verse desafiados, ya que los datos recopilados pueden no reflejar la operación real. Para llenar este vacío, este artículo investiga la capacidad de tres clasificadores de aprendizaje automático supervisado, es decir, Máquina de Vectores de Soporte, Naïve Bayes y K-Vecinos Más Cercanos, que son probados mediante análisis desafiantes para inferir pautas generales para la detección de UMIs. La precisión de clasificación y la probabilidad posterior de cada clasificador se evalúan mediante un conjunto de datos experimental derivado de una gran flota de turbinas de gas Siemens en operación. Los resultados revelan que Naïve Bayes es el clasificador óptimo para la detección de UMIs, ya que el 88.5% de los datos están correctamente etiquetados con un 84% de probabilidad posterior cuando las UMIs experimentales afectan el conjunto de datos. Además, Naïve Bayes demostró ser el clasificador más robusto incluso si la tasa de UMIs aumenta.