La sélection de caractéristiques optimales est un domaine de recherche important dans les systèmes d'exploration de données médicales. Dans cette recherche, nous introduisons une procédure efficace - sélection de sous-ensembles de caractéristiques, classement des caractéristiques et classification, appelée analyse en composantes principales basée sur la méthode JK pour l'amélioration de la précision de détection et la sélection de sous-ensembles de caractéristiques optimaux. La méthode proposée ajuste un paramètre appelé "couverture de variance" et construit le modèle avec la valeur à laquelle la précision de classification maximale est obtenue. Cela facilite la sélection d'un ensemble compact de caractéristiques supérieures, remarquablement à un coût très faible. La comparaison expérimentale approfondie de la méthode proposée et d'autres méthodes utilisant trois classificateurs différents (Naïve Bayes (NB), perceptron multicouche (MLP) et arbre de décision J48) et 6 ensembles de données médicales différents peut confirmer que la stratégie proposée (PCA-JK) donne des résultats prometteurs sur la sélection des caractéristiques et la précision de la classification pour le domaine de recherche de l'exploration de données médicales.