.png){kind=icon}
返回
A multi-learning strategy golden eagle optimization algorithm for feature selection in data classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-025-02721-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择对于提升机器学习模型的性能和效率至关重要，同时也是开发鲁棒且可扩展的机器学习应用的关键。它涉及从更大的特征集中识别一个子集，该子集不仅表现出最低的内部相似性，还与目标类别具有最高的相关性。因此，其本质上是一个优化问题。原始的金雕优化（GEO）算法在特征选择中面临收敛速度慢和求解精度低等挑战。本文提出了一种多学习策略的金雕优化（MLSGEO）算法以克服这些挑战。MLSGEO将示例池学习、随机学习和最差-最佳学习策略整合到捕食选择过程中，以增强搜索能力并防止算法陷入局部最优。同时，引入了正弦-余弦参数调整策略用于巡航和攻击系数，以平衡全局搜索和局部开发能力。此外，应用交叉和变异操作以防止早熟收敛。在CEC 2017测试套件和15个特征选择数据集上进行了数值实验，并与几种先进的元启发式方法进行了比较。实验结果表明，MLSGEO在性能上优于其他竞争算法。此外，所提出的三种策略的有效性也得到了实证量化。
Keyword:
Feature selection
Golden eagle optimization
Multi-learning strategy
Parameter adjustment
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
Comparison of Feature Selection Methods and Machine Learning Classifiers for Predicting Chronic Obstructive Pulmonary Disease Using Texture-Based CT Lung Radiomic Features基于纹理的CT肺影像组学特征预测慢性阻塞性肺疾病的特征选择方法和机器学习分类器的比较.png)
ACADEMIC RADIOLOGY
ACADEMIC RADIOLOGYIF3.9
PREAI
分享收藏A survey on swarm intelligence approaches to feature selection in data mining数据挖掘中特征选择的群体智能方法综述
PREAI
分享收藏Correlation-Guided Updating Strategy for Feature Selection in Classification With Surrogate-Assisted Particle Swarm Optimization代理辅助粒子群优化分类中特征选择的相关性引导更新策略
PREAI
分享收藏A Feature Selection Approach Hybrid Grey Wolf and Heap-Based Optimizer Applied in Bearing Fault DiagnosisIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏
查看更多内容