El propósito principal de la selección de subconjuntos de características es eliminar características irrelevantes y redundantes de los datos, para que los algoritmos de aprendizaje puedan ser entrenados con un subconjunto de características relevantes. Hasta ahora, se han desarrollado muchos algoritmos para la selección de subconjuntos de características, y la mayoría de estos algoritmos sufren de dos problemas principales al resolver conjuntos de datos de alta dimensión: Primero, algunos de estos algoritmos buscan en un espacio de características de alta dimensión sin ningún conocimiento del dominio sobre la importancia de las características. Segundo, la mayoría de estos algoritmos están diseñados originalmente para problemas de optimización continua, pero la selección de características es un problema de optimización binaria. Para superar las debilidades mencionadas, proponemos un nuevo algoritmo híbrido de filtro-envuelto, llamado Conjunto de Clasificadores Basados en Filtros para guiar un Optimizador de Enjambre Epsilon-greedy (EFR-ESO), para resolver la selección de subconjuntos de características de alta dimensión. El Optimizador de Enjambre Epsilon-greedy (ESO) es un nuevo algoritmo de inteligencia de enjambre binario introducido en este documento como un nuevo envoltorio. En el EFR-ESO propuesto, extraemos el conocimiento sobre la importancia de las características mediante el conjunto de clasificadores basados en filtros y luego usamos este conocimiento para ponderar las probabilidades de las características en el ESO. Los experimentos en 14 conjuntos de datos de alta dimensión indican que el algoritmo propuesto tiene un rendimiento excelente tanto en términos de la tasa de error de la clasificación como en la minimización del número de características.