Los hiperparámetros en los modelos de Machine Learning son la configuración de valores que deben considerarse al momento de entrenar un modelo, ya que estos determinan el rendimiento del modelo ante el conjunto de datos que deberá procesar. Sin embargo, la elección de estos valores resulta en una actividad compleja ya que, se deben encontrar aquellos valores que permitan al modelo obtener buen desempeño en sus resultados, y el espacio de búsqueda de estos es en ocasiones infinito. El uso de optimizadores de hiperparámetros, permite realizar la búsqueda de combinaciones de estos valores de manera automatizada. Uno de los métodos comúnmente usados es RandomSearch, el cual realiza la búsqueda y evaluación de posibles valores de hiperparámetros de manera aleatoria dentro de un espacio determinado. Otro método es GridSearch, éste realiza la búsqueda de aquellos posibles valores dentro de una cuadrícula dada de valores y posteriormente evalúa cada una de sus combinaciones. En este artículo se realizó la comparación de los optimizadores RandomSearch y GridSearch en modelos clasificadores SVM, usando Datasets enfocados en la clasificación de datos, con la finalidad de identificar el comportamiento de dichos métodos.