.png){kind=icon}
返回
MOBDE-FS: multi-objective improved binary differential evolution algorithm for medical diagnosis
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-026-02833-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
医学诊断数据集通常具有高维性和复杂性，需要有效的特征选择来降低维度并提高分类精度。本研究提出了一种针对医学诊断数据集的多目标改进二进制差分进化算法用于特征选择（MOBDE-FS）。MOBDE-FS对原始DE算法进行了多项改进。首先，它采用折射学习技术生成分布广泛、多样化的初始候选解。其次，它利用基于对立学习、高斯扰动和莱维飞行的三种变异函数，并在代际间应用以增强解的多样性并促进非支配解的发现。MOBDE-FS的性能在九个真实世界的UCI医学数据集上进行了测试，并与七种流行且有效的优化算法进行了比较。仿真结果表明，MOBDE-FS在以下十一种常用评估指标上优于其他算法：分类错误率、准确率、所选特征数量、帕累托前沿质量、执行时间、超体积、代间距、倒代间距、帕累托前沿偏差、帕累托前沿近似误差和分布范围。通过Friedman和Wilcoxon符号秩检验进行的统计分析证实了MOBDE-FS的持续优越性。
Keyword:
Feature selection
Differential evolution
Refraction learning
Opposition-based learning
Lévy flight
Gaussian perturbation
KNN
期刊
IF:
3.1
论文数:
562
被引数:
5.2K
机构
引用论文
分享收藏A competitive mechanism based multi-objective differential evolution algorithm and its application in feature selection基于竞争机制的多目标差分进化算法及其在特征选择中的应用
PREAI
分享收藏Opposition-based sine cosine optimizer utilizing refraction learning and variable neighborhood search for feature selection基于反向的正弦余弦优化器，利用折射学习和可变邻域搜索进行特征选择.png)
APPLIED INTELLIGENCE
OAAI
APPLIED INTELLIGENCEIF3.5
OAAI分享收藏
查看更多内容