La red 5G es una forma de comunicación inalámbrica de próxima generación y la última tecnología móvil. En la práctica, 5G utiliza Internet de las cosas (IoT) para funcionar en redes de alto tráfico con múltiples nodos/sensores en un intento de transmitir sus paquetes a un destino simultáneamente, lo cual es una característica de las aplicaciones de IoT. Debido a esto, 5G ofrece un ancho de banda vasto, baja latencia y una velocidad de transferencia de datos extremadamente alta. Por lo tanto, 5G presenta oportunidades y motivaciones para utilizar protocolos de próxima generación, especialmente el protocolo de transmisión de control de flujo (SCTP). Sin embargo, los mecanismos de control de congestión del SCTP convencional influyen negativamente en el rendimiento general. Además, los mecanismos existentes contribuyen a reducir el rendimiento de 5G e IoT. Por lo tanto, en este estudio se propone un nuevo modelo de aprendizaje automático basado en un algoritmo de árbol de decisiones (DT) para predecir una mejora óptima del control de congestión en los sensores inalámbricos de las redes 5G IoT. El modelo fue implementado en un conjunto de datos de entrenamiento para determinar la configuración paramétrica óptima en un entorno 5G. El conjunto de datos se utilizó para entrenar el modelo de aprendizaje automático y permitir la predicción de alternativas óptimas que pueden mejorar el rendimiento del enfoque de control de congestión. El enfoque DT puede ser utilizado para otras funciones, especialmente predicción y clasificación. Los algoritmos DT proporcionan gráficos que pueden ser utilizados por cualquier usuario para comprender el enfoque de predicción. El DT C4.5 proporcionó resultados prometedores, con más del 92% de precisión y recall.