A multiple filter-wrapper feature selection algorithm based on process optimization mechanism for high-dimensional omics data analysis

doi:10.1371/journal.pone.0338051

2025-12-11

PRE

Yongtao Shi

Yuefeng Zheng *

X. H. Bai

DOI：10.1371/journal.pone.0338051

原文链接

原文求助

摘要

En 中文

近期，混合特征选择方法在处理高维数据方面表现出优异性能，但许多此类方法倾向于产生相对同质的特征子集。为解决此问题，我们提出了一种新型混合特征选择算法，称为混合多过滤器-包装器算法（Hybrid Multiple Filter-Wrapper algorithm）。该算法采用双模块结构：模块1利用随机森林特征重要性方法实现原始特征集的显著降维，生成候选特征子集F1。在模块2中，我们首先提出一种双变量过滤器算法：最小斯皮尔曼-最大互信息方法（minimum Spearman-Maximum Mutual Information method）。该方法评估F1的相关性和冗余性，其结果随后输入包装器算法进行进一步探索。此外，我们整合两种群智能算法，开发了混合灰狼-混沌屎壳郎包装器算法（Hybrid Grey Wolf and Chaotic Dung Beetle Wrapper Algorithm）。该算法引入混沌理论以增强屎壳郎算法（Dung Beetle Algorithm）的位置更新机制，随后将屎壳郎算法嵌入灰狼算法（Grey Wolf Algorithm）中，从而平衡探索与开发能力。最后，基于随机激光强度波动理论的过程优化机制动态监控优化过程。当包装器算法收敛至局部最优时，过滤器算法被重启，并利用混沌理论重置种群。此过程增强了候选特征子集和种群的多样性，有效避免局部最优。我们广泛将本方法与过去三年间的十种混合算法在MGE的十个公开基准数据集上进行比较。实验结果表明，本算法优于其他大多数算法：在所有数据集上，其平均分类准确率至少高出1.3%，平均特征子集长度至少缩短8个单位，维度降至原始维度的0.45%以下。结果具有统计学意义。

Keyword:

MAPK