La clasificación de malware es un problema bien conocido en seguridad informática. La optimización de hiperparámetros (HPO) utilizando matrices de cobertura (CAs) es un enfoque novedoso que puede mejorar la precisión de los clasificadores de aprendizaje automático. El ajuste de los clasificadores de aprendizaje automático (ML) para aumentar la precisión de la clasificación es necesario en la actualidad, especialmente con el malware que evoluciona constantemente. Cuatro técnicas de aprendizaje automático fueron ajustadas utilizando cAgen, una herramienta para generar matrices de cobertura. Los resultados muestran que cAgen es un enfoque eficiente para lograr las elecciones óptimas de parámetros para las técnicas de ML. Además, la matriz de cobertura muestra una promesa significativa, especialmente cAgen en lo que respecta a la comunidad de optimización de hiperparámetros de ML, la comunidad de detectores de malware y las pruebas de seguridad en general. Esta investigación ayudará a agregar mejores clasificadores para la detección de malware PE estático.