El análisis de expresión génica mediante microarreglos es una técnica poderosa utilizada en la clasificación e investigación del cáncer para identificar y comprender patrones de expresión génica que pueden diferenciar entre diferentes tipos, subtipos y etapas de cáncer. Sin embargo, las bases de datos de microarreglos son altamente redundantes, inherentemente no lineales y ruidosas. Por lo tanto, extraer información significativa de una base de datos tan grande es un desafío. El artículo adopta la Transformada Rápida de Fourier (FFT) y el Modelo de Mezcla (MM) para reducción de dimensionalidad y utiliza el algoritmo de optimización Dragonfly como técnica de selección de características. Los clasificadores empleados en esta investigación son Regresión No Lineal, Naïve Bayes, Árbol de Decisión, Bosque Aleatorio y SVM (RBF). El desempeño de los clasificadores se analiza con y sin métodos de selección de características. Finalmente, se utilizan las técnicas de ajuste de hiperparámetros Adaptive Moment Estimation (Adam) y Random Adaptive Moment Estimation (RanAdam) como técnicas de improvisación para los clasificadores. El clasificador SVM (RBF) con el método de Reducción de Dimensionalidad de Transformada Rápida de Fourier y la selección de características de Dragonfly logró la mayor precisión del 98.343% con la sintonización de hiperparámetros de RanAdam en comparación con otros clasificadores.