La clasificación de escenarios de canal de comunicación inalámbrica es vital para las tecnologías inalámbricas modernas. La eficiente preprocesamiento de datos para la identificación, especialmente a partir de 5G y más allá, donde ocurren múltiples transiciones de escenarios, es crucial. El Aprendizaje Automático (ML) se emplea para la identificación de escenarios. Además, se requiere una clasificación precisa de ML para mejorar el proceso de toma de decisiones en cada capa de comunicación. El modelo propuesto en este estudio utiliza una fase de preprocesamiento mejorada. El modelo propuesto demuestra que agregar la capa de eliminación del factor de inflación de la varianza (VIF) tiene un efecto significativo en la eliminación del ruido residual después de la regularización. Al evaluar el VIF, las características altamente multicolineales se eliminan después de agregar una penalización de regularización. En consecuencia, la varianza explicada total (TEV) se mejoró en un 5% y alcanzó el 76%. Así, la precisión de clasificación de los procesos de identificación de diferentes escenarios rurales y urbanos se incrementó en un 3%, en promedio, en comparación con el trabajo anterior para cada algoritmo: Random Forest (RF), K-Nearest Neighbor (KNN), Support Vector Machine (SVM) y Gaussian Mixture model (GMM).