La selección de características es una forma de reducir las características de los datos de tal manera que, cuando se ejecuta el algoritmo de clasificación, produce una mejor precisión. En general, la selección de características convencional es bastante inestable cuando se enfrenta a cambios en las características de los datos. Sería ineficiente implementar la selección de características individual en algunos casos. La selección de características en conjunto existe para superar este problema. Sin embargo, con las ventajas de la selección de características en conjunto, aún se deben superar algunos problemas como la estabilidad, el umbral y la agregación de características. Proponemos un nuevo marco para abordar la estabilidad y la agregación de características. También utilizamos un umbral automático para ver si era eficiente o no; los resultados mostraron que el método propuesto siempre produce el mejor rendimiento tanto en precisión como en reducción de características. La comparación de precisión entre el método propuesto y otros métodos fue del 0.5-14% y redujo más características que otros métodos en un 50%. La estabilidad del método propuesto también fue excelente, con un promedio de 0.9. Sin embargo, cuando aplicamos el umbral automático, no hubo una mejora beneficiosa en comparación con no tener un umbral automático. En general, el método propuesto presentó un rendimiento excelente en comparación con trabajos anteriores y el estándar ReliefF.