La clasificación usando el análisis discriminante lineal (LDA) es desafiante cuando el número de variables es grande en relación con el número de observaciones. Algoritmos como LDA requieren la computación de las matrices de precisión del vector de características. En un entorno de alta dimensión, debido a la singularidad de la matriz de covarianza, no es posible estimar el estimador de máxima verosimilitud de la matriz de precisión. En este artículo, empleamos la estimación de contracción tipo Stein de Ledoit y Wolf para la clasificación de datos de alta dimensión. La eficiencia del enfoque propuesto se compara numéricamente con métodos existentes, incluyendo LDA, validación cruzada, gLasso y SVM. Utilizamos el criterio de error de clasificación errónea para la comparación.