En la era de la información digital, las plataformas en línea juegan un papel crucial en la formación de la opinión pública. Sin embargo, la amplia difusión de desinformación y noticias falsas plantea un desafío significativo, en gran medida impulsado por usuarios no creíbles. Detectar la credibilidad del usuario es vital para garantizar la fiabilidad de la información en estas plataformas. Este estudio emplea algoritmos supervisados de aprendizaje automático, aprovechando características clave del usuario para mejorar la detección de credibilidad. Se exploran métodos de selección de características, específicamente SelectKBest y algoritmos basados en correlación, por su impacto en la detección de credibilidad del usuario en X-Platform. Utilizando varios clasificadores, incluidos máquinas de vectores de soporte, regresión logística y XGBoost, se realizan experimentos en el conjunto de datos ArPFN, que es un conjunto de datos etiquetado, equilibrado y disponible públicamente. La evaluación incluye medidas como precisión, recuperación y puntuación F1 para evaluar la eficiencia. Esta investigación considera categorías de características y métodos de selección con SML para detectar su impacto en la precisión de la detección de credibilidad del usuario en X-Platform, convirtiendo esta investigación en una referencia para investigadores y profesionales que trabajan en el campo de SML, ingeniería de características y análisis de redes sociales. Nuestro objetivo es avanzar en la comprensión de estrategias efectivas para mitigar la difusión de noticias falsas. La novedad de este estudio radica en la exploración exhaustiva de métodos de selección de características y su influencia en la detección de credibilidad, aportando ideas valiosas para futuras investigaciones en este ámbito.