Este estudio utilizó métodos de partición de datos de aprendizaje automático de división de prueba aleatoria (RTS) y validación cruzada (CV) para probar diferentes modelos para clasificar el comportamiento del ganado, incluyendo estados de actividad y postura, así como comportamientos de forrajeo, utilizando datos de acelerómetro acoplados a GPS con observación continua de 12 h/día como verdad de terreno de apoyo. RTS en XGBoost tuvo el mejor rendimiento para la clasificación del estado de actividad general, mientras que CV en Random Forest destacó en comportamientos de forrajeo más detallados y clasificaciones de comportamiento de forrajeo por postura. Indicadores clave de movimiento como la velocidad, Actindex y valores de sensores (x, y, y z) fueron vitales para predecir comportamientos, sugiriendo sensores específicos para rastrear comportamientos de interés para los ganaderos. Los resultados destacan los beneficios del monitoreo continuo y el análisis avanzado de datos para el seguimiento en tiempo real del ganado, lo que conduce a una mejor gestión del pastoreo y un uso de la tierra más sostenible.