El número de dispositivos de Internet de las Cosas (IoT) está creciendo a un ritmo acelerado en los hogares inteligentes, produciendo grandes cantidades de datos, que se transfieren principalmente a través de canales de comunicación inalámbrica. Sin embargo, varios dispositivos IoT son vulnerables a diferentes amenazas, como ciberataques, conexiones de red fluctuantes, filtración de información, etc. El análisis estadístico y el aprendizaje automático pueden desempeñar un papel vital en la detección de anomalías en los datos, lo que mejora el nivel de seguridad del sistema IoT del hogar inteligente, que es el objetivo de este documento. Este trabajo investiga la confiabilidad de los dispositivos IoT que envían lecturas de electrodomésticos, con la ayuda de varios parámetros como la importancia de las características, el error cuadrático medio, la optimización de hiperparámetros, etc. Se otorgó un puntaje de espamicidad a cada uno de los dispositivos IoT mediante el algoritmo, basado en la importancia de las características y el puntaje de error cuadrático medio de los modelos de aprendizaje automático para determinar la confiabilidad del dispositivo en la red doméstica. Se utilizó un conjunto de datos disponible públicamente para un hogar inteligente, junto con las condiciones climáticas, para la validación de la metodología. El algoritmo propuesto se utiliza para detectar el puntaje de espamicidad de los dispositivos IoT conectados en la red. Los resultados obtenidos ilustran la eficacia del algoritmo propuesto para analizar los datos de series temporales de los dispositivos IoT para la detección de spam.