La industria de las telecomunicaciones está muy preocupada por la pérdida de clientes debido a la insatisfacción con el servicio. Esta industria ha comenzado a invertir en el desarrollo de modelos de aprendizaje automático (ML) para la predicción de churn para extraer, examinar y visualizar la información histórica de sus clientes a partir de una gran cantidad de big data, lo que ayudará a comprender mejor las necesidades de los clientes y tomar acciones apropiadas para controlar la pérdida de clientes. Sin embargo, la alta dimensionalidad de los datos tiene una gran influencia en el rendimiento del modelo de ML, por lo que se ha aplicado la selección de características (FS) ya que es un paso de preprocesamiento primario. Mejora el rendimiento del modelo de ML seleccionando características relevantes y reduciendo el tiempo computacional, lo que puede ayudar a este sector a construir modelos de predicción efectivos. Este documento propone un nuevo enfoque de FS ACO-RSA, que combina dos algoritmos metaheurísticos (MAs), a saber, la optimización de colonias de hormigas (ACO) y el algoritmo de búsqueda de reptiles (RSA). En el enfoque ACO-RSA desarrollado, se integran un ACO y RSA para elegir un subconjunto importante de características para la predicción de churn. El enfoque ACO-RSA se evalúa en siete conjuntos de datos de predicción de churn de clientes de código abierto, diez funciones de prueba CEC 2019, y su rendimiento se compara con la optimización por enjambre de partículas (PSO), el optimizador de multiverso (MVO) y el optimizador de lobo gris (GWO), ACO estándar y RSA estándar. Según los resultados junto con el análisis estadístico, ACO-RSA es un enfoque efectivo y superior en comparación con otros algoritmos competidores en la mayoría de los conjuntos de datos.