Los parámetros de la red inalámbrica, como la potencia de transmisión, la altura de la antena y el radio de la celda, se determinan en función de la pérdida de trayectoria predicha. La predicción se lleva a cabo utilizando modelos empíricos o deterministas. Los modelos deterministas proporcionan predicciones precisas, pero son lentos debido a su complejidad computacional y requieren descripciones ambientales detalladas. Mientras que los modelos empíricos son menos precisos, los modelos de Aprendizaje Automático (ML) ofrecen predicciones rápidas con precisiones comparables a las de los modelos deterministas. La mayoría de los modelos empíricos son versátiles, ya que son válidos para varios valores de frecuencias, alturas de antena y, a veces, entornos, mientras que la mayoría de los modelos de ML no lo son. Por lo tanto, desarrollar un modelo de ML versátil que supere la precisión de los modelos empíricos implica recopilar datos de varios escenarios con diferentes entornos y parámetros de red y utilizar los datos para desarrollar el modelo. Combinar conjuntos de datos de diferentes tamaños podría llevar a un desequilibrio en la precisión, de modo que la precisión del modelo para un escenario particular sea baja debido al desequilibrio de datos. Esto se debe a que la precisión del modelo varía en ciertas regiones del conjunto de datos y tales variaciones son más intensas cuando el conjunto de datos se genera a partir de una fusión de conjuntos de datos de diferentes tamaños. Se propone una técnica de selección de Regresor/Ensamble Dinámico para abordar este problema. En el método propuesto, se selecciona un regresor/ensamble para predecir un punto de muestra en función de la proximidad de la muestra a un clúster asignado al regresor/ensamble. Se utilizó K Means Clustering para formar los clústeres y los regresores considerados son K Nearest Neighbor (KNN), Extreme Learning Trees (ET), Random Forest (RF), Gradient Boosting (GB) y Extreme Gradient Boosting (XGBoost). Los ensambles son cualquier combinación de dos, tres o cuatro de los regresores. Los puntos de muestra que pertenecen a cada clúster se seleccionaron de un conjunto de validación en función del regresor que realizó la predicción con el menor error absoluto por punto de muestra individual. La implementación de la técnica propuesta resultó en mejoras de precisión en un escenario descrito por unos pocos puntos de muestra en los datos de entrenamiento. También se observaron mejoras en la precisión en conjuntos de datos en otros trabajos en comparación con la precisión reportada en esos trabajos. El estudio también muestra que utilizar características extraídas de imágenes satelitales para describir el entorno fue más apropiado que utilizar un valor de altura de desorden categórico.