La predicción de defectos de software identifica módulos propensos a defectos antes de las pruebas, reduciendo costos y tiempo de desarrollo. Las técnicas de aprendizaje automático son ampliamente utilizadas, pero los conjuntos de datos de alta dimensionalidad a menudo degradan la precisión de clasificación debido a características irrelevantes. Para abordar esto, la selección efectiva de características es esencial pero sigue siendo un desafío NP-duro que se aborda mejor con algoritmos heurísticos. Este estudio introduce un optimizador de estrella binario y multiobjetivo para la selección óptima de características, equilibrando la reducción de características y el rendimiento de clasificación. Un clasificador de conjunto basado en la integral difusa de Choquet mejora aún más la confiabilidad de la predicción al agregar múltiples clasificadores. El enfoque fue validado en cinco conjuntos de datos de la NASA, demostrando un rendimiento superior sobre los clasificadores tradicionales. Métricas clave de software, como complejidad de diseño, cantidad de operadores y operandos, líneas de código y número de ramas, se encontró que influyen significativamente en la predicción de defectos. Los resultados muestran que el método propuesto mejora el rendimiento de clasificación en un 1% a 13% mientras retiene solo el 33% al 57% del conjunto de características original, ofreciendo una solución confiable e interpretable para la predicción de defectos de software. Este enfoque tiene un fuerte potencial para tareas de clasificación más amplias y de alta dimensionalidad.