.png){kind=icon}
返回
A Euclidean Distance-Based Novel Algorithm for Binary Feature Selection
.png){kind=icon}
OA
AI
DOI：10.1007/s11063-025-11797-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择是一种识别最优特征子集的关键技术，它能在降低特征维度的同时提升模型精度。尽管最近提出的元启发式角蜥优化算法（HLOA）在解决复杂优化问题时表现出强大的随机搜索能力，但它本身与特征选择等离散二进制任务不兼容。虽然传统的Sigmoid函数通常用于弥合这一差距，但本文提出了一种基于欧氏距离的二值化机制及其改进版本，以将HLOA的优越搜索性能应用于特征选择。在20个UCI（加利福尼亚大学欧文分校）基准数据集上的实验验证证明了所提方法的有效性。值得注意的是，在超高维数据集（维度>1,000）上，本算法能在显著缩减特征规模的同时持续提高预测精度。
Keyword:
Feature selection
Metaheuristic algorithms
Euclidean distance
Binary
Optimization
期刊
IF:
2.8
论文数:
174
被引数:
5.5K