.png){kind=icon}
返回
MPR-MOPSO-ASFS: A Stable Multi-Objective Feature Selection Algorithm for Metabolomics
.png){kind=icon}
OA
AI
DOI：10.3390/metabo16080581.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：代谢组学数据具有高维性和小样本量的固有特征。现有的基于多目标粒子群优化（MOPSO）的特征选择算法存在两个关键局限性：它们通常忽视所选特征子集的稳定性，且在处理高维数据时适应性较差，这限制了其在生物医学研究中的实际应用。方法：为解决这些挑战，本文提出了一种新颖的MPR-MOPSO-ASFS算法。具体而言，我们首先构建了一个以稳定性为导向的双目标优化模型。然后，我们整合最大模式识别（MPR）滤波器以实现高维特征的快速降维。最后，设计了一种改进的自适应稀疏特征选择机制，以同时优化所选特征子集的紧凑性、分类准确性和稳定性。结果：在三个代谢组学数据集和五个公开的高维小样本数据集上进行了大量实验。结果表明，所提出的MPR-MOPSO-ASFS算法在帕累托前沿质量、分类准确率等核心评价指标上优于包括CMDPSOFS和MOEAD-FS在内的主流算法。此外，我们明确了算法核心参数的最优配置，并验证了其关键设计组件的协同有效性。结论：本研究首次尝试将准确率与稳定性的调和平均数纳入多目标优化框架。所提出的MPR策略与MOPSO的两阶段结合突破了传统算法的性能瓶颈，显著提升了其对高维小样本数据的适应性和鲁棒性。该算法为高维生物医学数据的特征选择提供了一种高效的新解决方案，并为群智能优化算法在生物医学领域的应用提供了技术参考。
Keyword:
metabolomics
feature selection
multi-objective optimization
particle swarm optimization
期刊
IF:
3.7
论文数:
6.6K
被引数:
1.9W
机构
引用论文
A Feature Selection Method Based on Feature-Label Correlation Information and Self-Adaptive MOPSO基于特征-标签相关性信息与自适应性MOPSO的特征选择方法OAAI
.png){kind=icon}
OAAI分享收藏Pattern recognition frequency-based feature selection with multi-objective discrete evolution strategy for high-dimensional medical datasets基于多目标离散进化策略的高维医学数据集模式识别频率特征选择
OAAI
OAAI分享收藏Particle swarm optimization for parameter determination and feature selection of support vector machines粒子群优化算法在支持向量机参数确定与特征选择中的应用
PREAI
分享收藏分享收藏Tackling the widespread and critical impact of batch effects in high-throughput data解决高通量数据中批量效应的广泛和关键影响OAAI
OAAI分享收藏
查看更多内容