Cuando se apunta a minimizar tanto el error de clasificación como el número de características seleccionadas, la selección de características puede ser tratada como un problema de optimización biobjetivo adecuado para resolver con algoritmos evolutivos multiobjetivo (MOEAs). Sin embargo, los MOEAs tradicionales pueden encontrar dificultades debido a entornos de optimización discreta y la maldición de la dimensionalidad en el espacio de características, especialmente para conjuntos de datos de alta dimensionalidad. Por lo tanto, en este artículo se propone un algoritmo evolutivo basado en interpolación (denominado IPEA) para abordar la selección de características biobjetivo en la clasificación, donde se diseña un método de inicialización basado en interpolación para cubrir una amplia gama de espacio de búsqueda y explorar las regiones de interés detectadas de forma adaptativa. En experimentos, IPEA se ha comparado con cuatro MOEAs de última generación en términos de dos métricas de rendimiento ampliamente utilizadas en una lista de 20 conjuntos de datos de clasificación del mundo real con dimensionalidades que van desde bajas hasta altas. Los resultados empíricos generales sugieren que IPEA generalmente tiene el mejor rendimiento de todos los algoritmos probados, con habilidades de búsqueda significativamente mejores y un costo computacional mucho menor en tiempo.