La extracción de características y la clasificación son dos pasos clave para el reconocimiento de actividades en un entorno de hogar inteligente. En este trabajo, utilizamos tres métodos para la extracción de características: Análisis de Componentes Principales (PCA), Análisis de Componentes Independientes (ICA) y Análisis Discriminante Lineal (LDA). Las nuevas características seleccionadas por cada método se utilizan como entradas para un clasificador de Máquinas de Vectores de Soporte Ponderadas (WSVM). Este clasificador se utiliza para abordar el problema de los datos de actividad desbalanceados a partir de las lecturas de los sensores. Los experimentos se implementaron en múltiples conjuntos de datos del mundo real con Campos Aleatorios Condicionales (CRF), Máquinas de Vectores de Soporte estándar (SVM), SVM Ponderadas y métodos combinados PCA+WSVM, ICA+WSVM y LDA+WSVM, que mostraron que LDA+WSVM tenía una tasa de reconocimiento más alta que otros métodos para el reconocimiento de actividades.