La clasificación de escenarios de canal de comunicación inalámbrica es crucial para las nuevas tecnologías inalámbricas modernas. Reducir el tiempo consumido por la fase de preprocesamiento de datos para dicha identificación es también esencial, especialmente para las transiciones de múltiples escenarios en 6G. Se ha utilizado el aprendizaje automático (ML) para tareas de identificación de escenarios. En este documento, se utiliza el operador de contracción y selección absoluta mínima (LASSO) en lugar de ElasticNet para reducir el tiempo computacional de preprocesamiento de datos para ML. Además, se evalúan el tiempo computacional y el rendimiento de diferentes modelos de ML basados en una técnica de regularización. Los resultados obtenidos revelan que el operador LASSO logra el mismo rendimiento de selección de características que ElasticNet; sin embargo, el operador LASSO consume menos tiempo computacional. El tiempo de ejecución logrado por LASSO es de 0,33 s, mientras que el valor correspondiente de ElasticNet es de 0,67 s. La identificación de cada clase específica para K-Nearest Neighbor (KNN), Support Vector Machine (SVM) y k-Means y Gaussian Mixture Model (GMM) se evalúa utilizando curvas de Características Operativas del Receptor (ROC) y puntuaciones de Área Bajo la Curva (AUC). El algoritmo KNN tiene la puntuación AUC promedio de clase más alta en 0,998, en comparación con SVM, k-Means y GMM con valores de 0,994, 0,983 y 0,989, respectivamente. El GMM es el algoritmo más rápido entre los demás, con el tiempo de clasificación más bajo en 0,087 s, en comparación con SVM, k-Means y GMM con valores de 0,155, 0,26 y 0,087, respectivamente.