В данной работе описана методика выбора (отбора) признаков для обучения различных алгоритмов машинного обучения. Методика основана на известных методах отбора признаков, может быть использована в качестве обработки данных для решения задачи классификации с помощью алгоритмов машинного обучения. Методика состоит из нескольких этапов: вычисление оценки каждого признака с помощью существующего метода перетасовки признаков (Feature shuffling) на основе ряда метрик качества (scoring parameters) модели машинного обучения; обработка собранного массива данных для разделения на два класса (релевантные и нерелевантные признаки) с помощью алгоритма кластеризации К-средних; удаление нерелевантных признаков из общего набора данных для дальнейшего использования в обучении SVM классификатора; оценка точности классификации алгоритма. Особенность методики заключается в применении сразу нескольких метрик качества для улучшения показателя точности и гибкости модели, а также в использовании ансамбля алгоритмов машинного обучения для отбора лучших признаков. В рамках исследования был проведен ряд экспериментов для получения результатов эффективности методики. В качестве набора входных данных для классификатора использовались показания электромиографического (ЭМГ) сигнала мышечной активности, собранных специализированным датчиком, где каждый набор данных соответствует отдельному жесту (классу). В ходе обработки из сигнала был выделен и отобран с помощью разработанной методики ряд признаков для составления входного набора данных для дальнейшего обучения SVM классификатора. Обученная модель была использована для интерпретации жестов в команды управления роботизированного устройства в реальном времени. Применение методики обеспечило более высокую точность распознавания жестов по сравнению с методами, которые используют одну метрику качества модели машинного обучения для отбора признаков.