Ha habido un rápido despliegue de redes inalámbricas en los últimos años, lo que ha estado acompañado de impactos significativos en el medio ambiente. Entre las soluciones que han demostrado ser efectivas para reducir el consumo de energía de las redes inalámbricas se encuentra el uso de algoritmos de aprendizaje automático en la gestión del tráfico celular. Sin embargo, a pesar de los resultados prometedores, cabe señalar que los cálculos requeridos por los algoritmos de aprendizaje automático han aumentado a un ritmo exponencial. La computación masiva tiene una huella de carbono sorprendentemente grande, lo que podría afectar su implementación en el mundo real. Por lo tanto, se necesita prestar atención adicional al diseño y la parametrización de estos algoritmos aplicados con el fin de reducir el consumo de energía de las redes inalámbricas. En este artículo, analizamos el impacto de los hiperparámetros en el consumo de energía y el rendimiento de los algoritmos de aprendizaje automático utilizados para la predicción del tráfico celular. Para cada hiperparámetro (número de capas, número de neuronas por capa, algoritmo optimizador, tamaño del lote y abandono) identificamos un conjunto de valores factibles. Luego, para cada combinación de hiperparámetros, entrenamos nuestro modelo y analizamos el consumo de energía y el rendimiento resultante. Los resultados de este estudio revelan una gran correlación entre los hiperparámetros y el consumo de energía, confirmando la importancia primordial de seleccionar hiperparámetros óptimos. Se sugiere un equilibrio entre la minimización del consumo de energía y la maximización del rendimiento del aprendizaje automático.