Las máquinas de aprendizaje extremo (ELMs) han ganado aceptación debido a su alta eficiencia y destacada capacidad de generalización. Como componente clave de preprocesamiento de datos, los métodos de selección de características pueden disminuir el ruido o los datos irrelevantes para las ELMs. Sin embargo, las ELMs aún no tienen su propio método práctico de selección de características para su mecanismo especial. En este estudio, propusimos un método de selección de características para la ELM, llamado FELM. El algoritmo propuesto logra una reducción de dimensionalidad altamente eficiente debido a la estrategia de clasificación de características. El FELM puede completar simultáneamente los procesos de selección de características y clasificación. Además, al incorporar un núcleo de memorización-generalización en el FELM, se emite el caso no lineal de este (llamado FKELM). El FKELM puede lograr una alta precisión de clasificación y una generalización extensa aplicando la propiedad de memorización de los datos de entrenamiento. Según los resultados experimentales en diferentes conjuntos de datos artificiales y de referencia, los algoritmos propuestos logran una precisión de clasificación significativamente mejor y un entrenamiento más rápido que los otros métodos.