El reconocimiento de las Actividades de la Vida Diaria (AVD) utilizando los sensores disponibles en dispositivos móviles de venta libre con alta precisión es significativo para el desarrollo de su marco. Anteriormente, se propuso un marco que comprende la adquisición de datos, procesamiento de datos, limpieza de datos, extracción de características, fusión de datos y clasificación de datos. Sin embargo, los resultados podrían mejorarse con la implementación de otros métodos. Similar a la propuesta inicial del marco, este documento propone el reconocimiento de ocho AVD, por ejemplo, caminar, correr, estar de pie, subir escaleras, bajar escaleras, conducir, dormir y ver televisión, y nueve entornos, por ejemplo, bar, pasillo, cocina, biblioteca, calle, dormitorio, sala de estar, gimnasio y aula, pero utilizando también los métodos de vecino más cercano basado en instancias (IBk) y AdaBoost. El propósito principal de este documento es encontrar el mejor método de aprendizaje automático para el reconocimiento de AVD y entornos. Los resultados obtenidos muestran que IBk y AdaBoost reportaron mejores resultados, con datos complejos que los métodos de redes neuronales profundas.