Varios estudios sugieren que el déficit de red en el modo de red por defecto (DMN) es prevalente en la enfermedad de Alzheimer (EA) y el deterioro cognitivo leve (DCL). Además del DMN, algunos estudios revelan que la alteración de la red ocurre en la red de relevancia, redes motoras y redes a gran escala. En este estudio realizamos la clasificación de EA y DCL de un control sano considerando las alteraciones de red en la red a gran escala y DMN. Así, construimos la red cerebral a partir de imágenes de resonancia magnética funcional (fMR). Se utilizó la conectividad funcional basada en correlaciones de Pearson para construir la red cerebral. Las características del grafo de la red cerebral se convirtieron en vectores de características utilizando la técnica de incrustación de grafos Node2vec. Se utilizaron dos clasificadores, el aprendizaje extremo de capa única y la máquina de aprendizaje extremo de capas múltiples, para la clasificación junto con enfoques de selección de características. Realizamos la prueba de clasificación en la red cerebral de diferentes tamaños, incluida la red cerebral a gran escala, la red cerebral completa y la red cerebral combinada. Los resultados experimentales mostraron que el método de selección de características del operador de contracción y selección absoluta mínima (LASSO) genera una mejor precisión de clasificación en el tamaño de red grande, y que la selección de características con la técnica de aprendizaje de estructura adaptativa (FSAL) genera una mejor precisión de clasificación en el tamaño de red pequeño.