Al crear un modelo de predicción efectivo, la predicción de defectos de software busca predecir posibles fallas en nuevos módulos de software con anticipación. Sin embargo, las características innecesarias y duplicadas pueden degradar el rendimiento del modelo. Además, la investigación pasada ha utilizado principalmente técnicas estándar de aprendizaje automático para la predicción de fallas, y la precisión de las predicciones no ha sido satisfactoria. Las máquinas de aprendizaje extremo (ELM) y las máquinas de vectores de soporte (SVM) han demostrado ser viables en una variedad de campos, aunque su uso en la predicción de la confiabilidad del software sigue siendo poco común. Presentamos un algoritmo basado en SVM y ELM para la predicción de confiabilidad del software en esta investigación, e investigamos los factores que influyen en la precisión de la predicción. Estas preocupaciones incluyen, primero, si toda la información de fallas anterior debe ser utilizada y segundo, qué tipo de información de fallas es más adecuada para la precisión de la predicción. En este artículo, también examinamos la precisión y el tiempo de los modelos de predicción de confiabilidad del software basados en SVM y ELM. Luego, después de la comparación, obtenemos resultados experimentales que demuestran que el modelo de predicción de confiabilidad basado en ELM puede lograr una mayor precisión de predicción con otros parámetros, como especificidad, recall, precisión y medida F1. En este artículo, también proponemos un modelo de cómo utilizar la selección de características con ELM y SVM. Para las pruebas, utilizamos conjuntos de datos de métricas de la NASA. Además, en ambas tecnologías, estamos implementando técnicas de selección de características para obtener el mejor resultado en nuestro experimento. Debido al desequilibrio en nuestro conjunto de datos, aplicamos inicialmente el método de remuestreo antes de implementar técnicas de selección de características para obtener la mayor precisión.