En la última década, la exposición al ozono a nivel del suelo ha llevado a un aumento significativo en los riesgos ambientales y de salud. Por lo tanto, es esencial medir y monitorear los niveles de concentración de ozono atmosférico. Específicamente, las mejoras recientes en los procesos de aprendizaje automático (ML), basados en modelado estadístico, han proporcionado un enfoque mejor para resolver estos riesgos. En este estudio, comparamos los algoritmos de Naive Bayes, K-Nearest Neighbors, Decision Tree, Stochastic Gradient Descent y Extreme Gradient Boosting (XGBoost) y su técnica de conjunto para clasificar la concentración de ozono a nivel del suelo en el área de El Paso-Juárez. Dado que El Paso-Juárez es una ciudad no conforme, se analizaron las concentraciones de varios contaminantes atmosféricos y parámetros meteorológicos. Descubrimos que el conjunto (clasificador de votación suave) de algoritmos utilizados en este artículo proporciona una alta precisión de clasificación (94.55%) para el conjunto de datos de ozono. Además, se han descubierto variables que son altamente responsables de la alta concentración de ozono, como el Óxido de Nitrógeno (NOx), la Velocidad y Ráfaga del Viento y la Radiación Solar.