Em um ambiente de Internet das Coisas (Internet of Things - IoT), uma grande massa de dados é produzida diariamente. Diversos estudos envolvendo Machine Learning (ML) buscam aprender com esses dados, tais como processos de predição com séries temporais e processos de classificação, como por exemplo na identificação de pessoas sujeitas a doenças cardiovasculares, navegação autônoma de veículos, e manutenção preditiva na indústria. Neste sentido, as técnicas de ML estão se tornando cada vez mais populares. Todavia, o grande número de features em tais problemas pode tornar algumas técnicas de ML inviáveis devido a restrições temporais ou pode até mesmo reduzir a qualidade dos modelos devido a redundância das features e a não correlação com a variável alvo. Com o objetivo de reduzir a dimensão de alguns problemas (a quantidade de features), técnicas de feature selection são essenciais para a aplicação de ML na IoT, visto a alta dimensionalidade das séries temporais enviadas a IoT pelos diversos dispositivos a ela conectados. O trabalho aqui apresentado tem como objetivo avaliação de diversas técnicas de feature selection por meio de um framework de seleção de features aqui desenvolvido, com foco em ser compatível com a plataforma IoT. Nesse sentido, como caso de estudo da avaliação dos métodos de feature selection, utilizamos um conjunto de contadores de performance, extraídos de uma plataforma embarcada real, para a predição do tempo de execução das tarefas em execução. Assim, conseguimos comparar as diversas técnicas de feature selection por diversos ângulos, como por exemplo, análise de complexidade, métricas, gráficos, features selecionadas, dentre vários outros.