La teoría del conjunto difuso de conjuntos aproximados ha sido aplicada con éxito a muchos métodos de reducción de atributos, en los que el conjunto de aproximación inferior juega un papel fundamental. Sin embargo, la definición de aproximación inferior utilizada ha ignorado la información transmitida por la aproximación superior y la región límite. Esta falta de atención ha dado lugar a una representación de relación irrazonable del conjunto objetivo. A pesar de que los académicos han propuesto numerosas mejoras a los modelos de conjunto áspero, como el modelo de precisión variable, ninguno ha resuelto con éxito los problemas inherentes a los modelos clásicos. Para abordar esta limitación, este documento propone un algoritmo de reducción de atributos no supervisado para datos mixtos basado en un conjunto de aproximación óptima mejorado. En primer lugar, se propone la teoría de un conjunto de aproximación óptima mejorado y su algoritmo asociado. Posteriormente, extendemos la teoría clásica de conjuntos de aproximación óptima a la teoría del conjunto difuso de conjuntos aproximados, lo que lleva al desarrollo de un método de conjunto de aproximación mejorado difuso. Finalmente, basándonos en la teoría propuesta, presentamos un novedoso algoritmo de reducción de atributos no supervisado basado en un conjunto de aproximación óptima difuso (FOUAR). Experimentos comparativos realizados con todos los algoritmos propuestos indican la eficacia de FOUAR en la selección de menos atributos al tiempo que se mantiene y mejora el rendimiento del algoritmo de aprendizaje automático. Además, destacan la ventaja del algoritmo de conjunto de aproximación óptima mejorado, que ofrece una mayor similitud al conjunto objetivo y proporciona una expresión más concisa.