La selección de características (FS) fue considerada como un problema global de optimización combinatoria. FS se utiliza para simplificar y mejorar la calidad de conjuntos de datos de alta dimensión seleccionando características prominentes y eliminando datos irrelevantes y redundantes para proporcionar buenos resultados de clasificación. FS tiene como objetivo reducir la dimensionalidad y mejorar la precisión de la clasificación, lo cual se utiliza con gran importancia en diferentes campos como la clasificación de patrones, análisis de datos y aplicaciones de minería de datos. El principal problema es encontrar el mejor subconjunto que contenga la información representativa de todos los datos. Para superar este problema, se proponen dos variantes binarias del algoritmo de optimización de ballenas (WOA), llamadas bWOA-S y bWOA-V. Se utilizan para disminuir la complejidad y aumentar el rendimiento de un sistema seleccionando características significativas para propósitos de clasificación. La primera versión bWOA-S utiliza la función de transferencia Sigmoidal para convertir los valores de WOA en valores binarios, mientras que la segunda versión bWOA-V utiliza una función de transferencia tangente hiperbólica. Además, las dos variantes binarias introducidas aquí fueron comparadas con tres algoritmos de optimización famosos y bien conocidos en este campo, como el Optimizador de Enjambre de Partículas (PSO), tres variantes de hormiga león binaria (bALO1, bALO2 y bALO3), el Algoritmo de Libélula Binaria (bDA) así como el WOA original, en más de 24 conjuntos de datos de referencia del repositorio UCI. Finalmente, se llevó a cabo una prueba no paramétrica llamada suma de rangos de Wilcoxon al 5% de significancia para demostrar la potencia y efectividad de los dos algoritmos propuestos al compararlos estadísticamente con otros algoritmos. Los resultados cualitativos y cuantitativos mostraron que las dos variantes introducidas en el dominio de FS son capaces de minimizar el número de características seleccionadas y maximizar la precisión de la clasificación en un tiempo apropiado.