O uso de novas tecnologia tem contribuído para o aumento na eficiência da produção bovina, porém pouco dessa tecnologia tem sido usada na produção a pasto, base da pecuária no Brasil. Pensando nisso, o objetivo desse trabalho foi avaliar diferentes modelos preditivos, estratégias de validação e composições do conjunto de dados para a predição do comportamento ingestivo de bovinos a pasto, com base em dados gerados pelo sensor do tipo acelerômetro. O experimento foi conduzido em pasto consorciado de braquiária brizantha e amendoim forrageiro. Para testar a mudança do comportamento ingestivo ao longo do rebaixamento, a área foi manejada no sistema rotativo de pastejo, com altura de entrada de 25 cm e três alturas de saída (20, 15 e 10 cm). As observações ocorreram ao longo de nove meses, em dias não consecutivos, durante 12 horas por dia. Os modelos preditivos utilizados foram: generalizer linear regression (GLR), random forest (RF), gradiente boosting (GB) e artificial neural network (ANN). As validações utilizadas foram: holdout, leave-animals-out (LAO), leave-days-out (LDO), leave-height-out de 10 cm (LHO10) e leave-height-out de 25 cm (LHO25). Foram utilizados dois conjuntos de dados, o primeiro foi o conjunto de dados PRO, com as observações de pastejo, ruminação e ócio, o segundo foi o conjunto de dados PNP, com as observações de pastejo e não pastejo, e um banco de dados externo. Por fim, os parâmetros usados para a avaliação dos modelos preditivos foram: acurácia, taxa de erro (para o conjunto de dados PNP), sensibilidade, especificidade, valor predito positivo e valor predito negativo. Para o conjunto de dados PRO, o melhor modelo preditivo foi o ANN, principalmente ao predizer o comportamento de pastejo, com acurácia de 60,5% (LAO), 65,3% (LDO), 71,8% (holdout) 60,5% (LHO10) e 63,2% (LHO25). Já no conjunto de dados PNP os melhores modelos preditivos foram o ANN, com acurácia de 63,6% (LAO), 65,8% (LDO), 73,0% (holdout), 60,8% (LHO10) e 64,9% (LHO25), e o RF, com acurácia de 62,5% (LAO), 64,4% (LDO), 73,3% (holdout), 59,9% (LHO10) e 61,7% (LHO25). De maneira geral, os modelos foram mais eficientes ao predizer apenas dois comportamentos do que ao predizer três comportamentos, principalmente pela dificuldade em predizer o comportamento de ócio, com sensibilidade abaixo de 26% em quase todas as estratégias de validação utilizadas. Outro ponto importante a se considerar é que a estratégia de validação adotada pode interferir nos resultados dos parâmetros de avaliação, como observado com a holdout, que teve acurácia superior as demais estratégias de validação ao inflar os modelos preditivos. O conjunto de dados externo expôs os modelos a uma nova situação, onde a estratégia holdout não foi superior as demais, com acurácia de 57,5% (LAO), 59,4% (LDO) e 59,4% (holdout), mostrando a necessidade de expor os modelos preditivos a situações novas, como a entrada de novos animais no piquete e a diferentes estruturas do pasto.