本发明公开了一种用于高维数据集特征选择的方法，属于数据分析领域。所述方法将离散型改进的海洋捕食者算法(BEMPA)应用于UCI高维数据集的特征选择中，其中，通过引入激活函数将MPA离散化，使其适用于特征选择任务；在迭代前期引入了全局最优个体，这一策略有效提升了搜索速度，使得算法能够更快地收敛到最优解；同时，为了增加跳出局部最优的能力，在每一次迭代后引入了莱维飞行策略，这一策略使算法能够在搜索过程中进行更大范围的探索，从而避免陷入局部最优解。本发明解决高维数据集分类易产生特征冗余的难题，实现在准确率不下降的情况下，选择的子特征数量最小。