Se proponen tres contribuciones. En primer lugar, se introduce un clasificador híbrido novedoso (HHO-SVM), que es una combinación entre la optimización de halcones de Harris (HHO) y una máquina de vectores de soporte (SVM). En segundo lugar, se mejora el rendimiento del HHO-SVM utilizando el método de normalización convencional. La contribución final es mejorar la eficiencia del HHO-SVM adoptando un enfoque paralelo que emplea la distribución de datos. Los modelos propuestos se evalúan utilizando el conjunto de datos de Wisconsin Diagnosis Breast Cancer (WDBC). Los resultados muestran que el HHO-SVM logra una tasa de precisión del 98,24% con la técnica de escala de normalización, superando a otros trabajos relacionados. Por otro lado, el HHO-SVM logra una tasa de precisión del 99,47% con la técnica de escala de equilibración, que es mejor que otros trabajos anteriores. Finalmente, para comparar las tres estrategias de escala efectivas en cuatro núcleos de CPU, la versión paralela del modelo propuesto proporciona una aceleración de 3,97.