Complex networks are graphs with non-trivial connection structures, that is, they do not follow a regular or random pattern. Algorithms based on complex networks have gained increasing prominence in the classification of data, as they make it possible to interpret and model the pattern formation of the data and the relationships between them. As there are several measures of networks that have very different characteristics, the objective of this work is to characterize them, in the face of several problems, revealing more suitable scenarios to use one or another measure. In this sense, six measures of complex networks are investigated in this work from the classification via standard compliance. The results show that some of these measures have well-defined favorable scenarios for better predictive performance.2Redes complexas são grafos com estruturas de conexão não triviais, isto e, não seguem um padrão regular nem aleatório. Algoritmos baseados em redes complexas tem ganhado cada vez mais destaque na classificação de dados, pois possibilitam interpretar e modelar a formação de padrão dos dados e as relações entre eles. Como existem varias medidas de redes que possuem características muito diferentes, o objetivo deste trabalho e realizar a caracterização delas, diante de vários problemas, revelando cenários mais adequados para usar uma ou outra medida. Nesse sentido, seis medidas de redes complexas são investigadas neste trabalho a partir da classificação via conformidade de padrão. Os resultados mostram que algumas dessas medidas possuem cenários favoráveis bem definidos para um melhor desempenho preditivo.