En los últimos años, han surgido varios métodos para comprimir modelos de clasificación de imágenes utilizando CNNs, por ejemplo, aplicando poda a las capas convolucionales de la red. Típicamente, cada método de poda utiliza un tipo de distribución de poda que no es necesariamente la más adecuada para un problema de clasificación dado. Por lo tanto, este artículo propone una metodología para seleccionar la mejor política de poda (método + distribución de poda) para un problema de clasificación específico y una tasa de poda global para obtener el mejor rendimiento del modelo comprimido. Esta metodología se aplicó a varios conjuntos de datos de imágenes para mostrar la influencia no solo del método, sino también de la distribución de poda en la calidad del modelo podado. Se demostró que la política de poda seleccionada afecta el rendimiento del modelo podado en diferentes grados, y que depende del problema de clasificación que se debe abordar. Por ejemplo, mientras que para el conjunto de datos de frutas de dátiles, se obtuvieron variaciones de más del 10%, para CIFAR10, las variaciones fueron inferiores al 5% para los mismos casos evaluados.