.png){kind=icon}
返回
Enhanced Binary Kepler Optimization Algorithm for effective feature selection of supervised learning classification
.png){kind=icon}
OA
AI
DOI：10.1186/s40537-025-01125-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种增强型二进制开普勒优化算法（BKOA-MUT），通过整合开普勒行星运动定律与DE/rand和DE/best变异方法来改进特征选择（FS）。BKOA-MUT平衡了探索与开发能力，有效引导搜索最优特征子集。BKOA-MUT使用k-Nearest Neighbors（k-NN）和Support Vector Machine（SVM）在25个UCI基准数据集（包括3个大规模数据集）上进行了评估，其在准确率、特征降维和计算效率方面优于近期元启发式算法（MHAs）。该算法表现出快速收敛、最小化特征选择和可扩展性，使其成为增强机器学习特征选择的稳健且适应性强的工具，并通过Wilcoxon秩和检验得到验证。
Keyword:
Feature selection
Meta-heuristic Algorithms
Kepler Optimization Algorithm
DE/rand and DE/best Mutation Approach
Machine learning classification
期刊
IF:
6.4
论文数:
1.5K
被引数:
1.1W
机构
引用论文
A Hybrid Feature Extraction Selection Approach for High-Dimensional Non-Gaussian Data Clustering
.png){kind=icon}
PREAI
分享收藏
CGKOA: An enhanced Kepler optimization algorithm for multi-domain optimization problemsCGKOA: 一种求解多域优化问题的改进开普勒优化算法
PREAI
分享收藏Memory based hybrid crow search algorithm for solving numerical and constrained global optimization problems基于记忆的混合crow搜索算法求解数值和约束全局优化问题
PREAI
分享收藏
查看更多内容