.png){kind=icon}
返回
An Efficient Marine Predators Algorithm for Feature Selection
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2021.3073261.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择 (f.s.) 通过去除不必要的、冗余的和有噪声的信息来减少特征的数量，同时保持相对较好的分类准确度。F.S.可以认为是一个优化问题。由于问题具有挑战性并且存在许多局部解决方案，因此随机优化算法可能是有益的。本文提出了一种新颖的特征选择降维方法。作为一项开创性的尝试，这项工作使用最近的海洋捕食者算法 (MPA) 的二进制变体来选择最佳特征子集以提高分类精度。MPA是一种新的、新颖的自然启发的元启发式方法。这项研究提出了一种算法，该算法是MPA和k最近邻 (k-nn) 之间的杂交，称为mpa-knn。K-最近邻 (k-nn) 用于评估医学数据集上的选定特征，特征大小从微小到巨大不等。所提出的方法在18个著名的UCI医学数据集基准上进行了评估，并与八个备受推崇的基于元启发式包装器的方法进行了比较。核心探索和开发过程以MPA为单位进行调整，以选择最佳和有意义的特征，以实现最准确的分类。结果表明，所提出的mpa-knn方法具有显著的选择最优特征和显著特征的能力。它比我们测试的成熟的元启发式算法表现得更好。我们用于比较的算法是灰狼优化器 (GWO)，MothFlame优化算法 (MFO)，正弦余弦算法 (SCA)，鲸鱼优化算法 (WOA)，巴掌群算法 (SSA)，蝴蝶优化算法 (BFO) 和哈里斯鹰优化 (HHO)。本文是针对特征选择问题实现MPA的第一项工作。结果确保了所提出的mpa-knn方法具有选择最佳和重要特征的显着能力，并且比几种元启发式算法表现更好。Mpa-knn实现了所有数据集的最佳平均准确度、灵敏度和特异度。
Keyword:
Feature selection
marine predators algorithm
metaheuristics
k-nearest neighbors
exploitation phase
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
分享收藏
分享收藏A genetic algorithm-based method for feature subset selection一种基于遗传算法的特征子集选择方法.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏Loss of heterozygosity in three embryonal tumours suggests a common pathogenetic mechanismNature
NatureIF0
PREAI
分享收藏
查看更多内容