Los modelos de aprendizaje automático se han implementado ampliamente para abordar el problema de la propagación de radio. Además de ayudar en la estimación de la pérdida de trayectoria, también se pueden utilizar para comprender mejor los detalles de varios escenarios de propagación. Nuestro trabajo actual explota el ranking inherente de la importancia de las características proporcionado por XGBoost y Random Forest como un medio para indicar la contribución de los mecanismos de propagación subyacentes. Se realiza una comparación entre dos alturas diferentes de antenas transmisoras, revelando los perfiles de propagación asociados. Luego se implementa la selección de características, lo que lleva a modelos con complejidad reducida y, en consecuencia, a tiempos de entrenamiento y respuesta reducidos, basados en las importancias calculadas previamente.