.png){kind=icon}
返回
A new optimization-based framework for enhanced feature selection with the Narwal optimizer
.png){kind=icon}
OA
AI
DOI：10.1007/s11227-025-07741-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择是许多机器学习和数据分析任务中的关键步骤，因为它能显著影响最终模型的性能和可解释性。在本工作中，我们提出了一种新颖的特征选择方法，该方法借鉴了独角鲸这一迷人的海洋哺乳动物独特的运动模式以及二元优化的力量。所提出的方法命名为BNO-FS，基于Narwhals optimizer（NO），这是一种新开发的元启发式算法，且此前从未在特征选择问题上进行过测试。本研究中提出了其二元版本。提出了一种新的适应度函数，由两个重要项组成：由三个分类器获得的分类准确率和所选特征的数量。该算法旨在识别能最大化模型预测性能同时最小化所选特征数量的最优特征子集。使用SVM、KNN和决策树分类器测量准确率，以考虑不同的学习偏差。对这些模型的平均有助于减少选择偏差，并确保所选特征是稳健且可推广的，而非仅针对单一分类器过拟合。通过在基准数据集上进行的一系列实验，展示了二元独角鲸优化器方法的有效性，并将其与其他最先进的特征选择技术进行比较。实验结果表明，BNO-FS在MIAS数据集上实现了97.65%的平均分类准确率，优于PSO（97.54%），且具有统计学上的显著改进。
Keyword:
Feature selection
Narwhals optimizer
Classification optimization
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
引用论文
Molecular Classification of Cancer: Class Discovery and Class Prediction by Gene Expression Monitoring.png)
Science
ScienceIF0
PREAI
分享收藏
分享收藏Feature selection and its combination with data over-sampling for multi-class imbalanced datasets多类不平衡数据集的特征选择及其与数据过采样的结合
PREAI
分享收藏分享收藏Central tendency feature selection (ctfs): a novel approach for efficient and effective feature selection in intrusion detection systems集中趋势特征选择（ctfs）：一种用于入侵检测系统中高效且有效的特征选择新方法
IF0
PREAI
分享收藏
查看更多内容