"Introducción. Un sistema de detección basado en termografía infrarroja permite reconocer fallas en un dispositivo a partir de datos extraídos de una imagen. Procesar esta información sin seleccionar un espacio de color adecuado puede reducir la exactitud del clasificador. Este estudio presenta una metodología para comprender la importancia de la selección adecuada de un espacio de color al caracterizar las condiciones de funcionamiento de un servidor. Métodos. Una base de datos se emplea en este estudio. Los espacios de color y la escala de grises se utilizan para extraer descriptores estadísticos de imágenes térmicas. La caracterización de las condiciones se realizó mediante el análisis de componentes principales (ACP). La evaluación del modelo predictivo se hizo a partir del kNN y la matriz de confusión. El ANOVA a un nivel de confianza del 95% se usa para determinar diferencias significativas entre los espacios utilizados. La prueba de Tukey establece los espacios de color con diferencia entre las medias de exactitud. Por último, el ACP se compara con la regresión LASSO. Resultados. El espacio de color HSI caracteriza mejor las fallas analizadas con una precisión media del 73.17%. Seguido del espacio HSV con una precisión del 72.56%. Los espacios RGB y CMY tuvieron una precisión similar de 68.03% y 68.29%. Los peores rendimientos se obtuvieron con la escala de grises y el espacio CIE L*a*b, con un 64.36% y 59.44%, respectivamente. Los resultados de exactitud para los modelos de regresión LASSO fueron superiores al PCA. El promedio de exactitud del LASSO en escala de grises fue de 65.87%; RGB, 74.64%; CMY, 73.83%; HSV, 76.67%; HSI, 77.38%; y CIE L*a*b, 66.49%. Conclusiones. Este estudio demostró que los espacios de color pueden influir en el modelo de predicción de la condición de un dispositivo. Cuando se trabaja con imágenes donde el color tiene un papel fundamental, como en las imágenes termográficas, la selección adecuada de un espacio de color se vuelve relevante, ya que estos pueden aumentar considerablemente la exactitud de un algoritmo de clasificación.