Debido a la creciente frecuencia de los ataques de phishing, la seguridad de la red ha captado la atención de los investigadores. Además de esto, se crean grandes volúmenes de datos cada día, y estos datos incluyen características inapropiadas y no relacionadas que influyen en la precisión del aprendizaje automático. Por lo tanto, existe la necesidad de un método robusto para detectar amenazas de phishing y mejorar la precisión de detección. En este estudio, se aplicaron tres clasificadores para mejorar la precisión de un algoritmo de detección: árbol de decisión, vecinos más cercanos (KNN) y máquina de vectores de soporte (SVM). La selección de las características relevantes mejora la precisión de detección para una clase objetivo y determina la etiqueta de clase con la mayor probabilidad. El trabajo propuesto describe claramente cómo la selección de características utilizando el Algoritmo de Libélula Caótica proporciona resultados más precisos que todos los otros clasificadores base. También indica el clasificador apropiado a aplicar al detectar sitios web de phishing. Se utilizaron tres conjuntos de datos públicamente disponibles para evaluar el método. Son conjuntos de datos confiables para entrenar el modelo y medir la precisión de predicción.