La selección de características es crucial para el proceso de puntuación crediticia, permitiendo la eliminación de variables irrelevantes con baja capacidad predictiva. Las técnicas convencionales de puntuación crediticia tratan esto como un proceso separado en el que las características se seleccionan en función de mejorar una sola medida estadística, como la precisión; sin embargo, investigaciones recientes se han centrado en parámetros comerciales significativos como el beneficio. Más de un factor puede ser importante para el proceso de selección, lo que hace que los métodos de optimización multiobjetivo sean una necesidad. Sin embargo, se sabe que el rendimiento comparativo de los métodos multiobjetivo varía dependiendo del problema de prueba y la implementación específica. Esta investigación empleó un reciente algoritmo de optimización híbrido de clasificación binaria de ordenación no dominada de saltamontes y comparó su rendimiento en la selección de características multiobjetivo para la puntuación crediticia con el de dos algoritmos de referencia populares en este espacio. Se realiza una comparación adicional para determinar el impacto de cambiar los clasificadores base que maximizan el beneficio en el rendimiento del algoritmo. Los experimentos demuestran que, de los clasificadores base utilizados, el clasificador de red neuronal mejoró la medida basada en el beneficio y minimizó el número medio de características en la población de manera más efectiva. Además, el algoritmo NSBGOA dio hipervolúmenes relativamente más pequeños y aumentó el tiempo computacional en todos los clasificadores base, al tiempo que proporcionaba los valores objetivos medios más altos para las soluciones. Es evidente que el clasificador base tiene un impacto significativo en los resultados de la optimización multiobjetivo. Por lo tanto, se debe considerar cuidadosamente el clasificador base a utilizar en los escenarios.