El propósito de este documento es describir un algoritmo de selección de características y su aplicación para mejorar la precisión de la reconstrucción de árboles filogenéticos al mejorar la eficiencia de la construcción de árboles. Al aplicar modelos de aprendizaje automático para los scripts árabe y arameo, como redes neuronales profundas (DNN), máquinas de soporte vectorial (SVM) y bosques aleatorios (RF), se utilizó cada modelo para comparar las filogenias. La metodología se aplicó a un conjunto de datos que contiene scripts árabe y arameo, demostrando su relevancia en una variedad de análisis filogenéticos. Los resultados enfatizan que la selección de características por DNN, su papel esencial, supera a otros modelos en términos de área bajo la curva (AUC) y tasa de error igual (EER) en varios conjuntos de datos y tamaños de pliegue. Además, tanto los modelos SVM como RF son valiosos para comprender las fortalezas y limitaciones de estos enfoques en el contexto del análisis filogenético. Este método no solo simplifica las estructuras de los árboles, sino que también mejora sus valores del Índice de Consistencia. Por lo tanto, ofrecen un marco robusto para estudios evolutivos. Los hallazgos destacan la aplicación del aprendizaje automático en filogenética, sugiriendo un camino hacia análisis evolutivos precisos y eficientes y permitiendo una comprensión más profunda de las relaciones evolutivas.