En la clasificación, la ingeniería de selección de características ayuda a elegir los atributos de datos más relevantes de los que aprender. Determina el conjunto de características que se deben rechazar, suponiendo su baja contribución en la discriminación de las etiquetas. La efectividad de un clasificador pasa principalmente por el conjunto de características seleccionadas. En este documento, identificamos las mejores características de las que aprender en el contexto de la evaluación del riesgo crediticio en la industria financiera. Las instituciones financieras coinciden con el riesgo de aprobar la solicitud de préstamo de un cliente que puede incumplir más tarde, o rechazar la solicitud de un cliente que puede cumplir con su deuda sin incumplir. Proponemos un enfoque de ingeniería de selección de características para identificar las principales características a considerar en la evaluación del riesgo de una solicitud de préstamo. Utilizamos diferentes métodos de selección de características, incluyendo la selección de características univariantes (UFS), la eliminación recursiva de características (RFE), la importancia de características utilizando árboles de decisión (FIDT) y el valor informativo (IV). Implementamos dos variantes del clasificador XGBoost en el conjunto de datos abierto proporcionado por la plataforma Lending Club para evaluar y comparar el rendimiento de diferentes métodos de selección de características. La investigación muestra que las características más relevantes se encuentran mediante las cuatro técnicas de selección de características.