.png){kind=icon}
返回
Optimizing cancer diagnostics with modified moth flame optimization in high-dimensional microarray data
.png){kind=icon}
OA
AI
DOI：10.1007/s10791-025-09740-w.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，高通量技术导致癌症微阵列数据的数量和复杂性呈指数级增长，这对有效特征选择构成了重大挑战。特征选择在识别相似基因和降低数据维度方面发挥着重要作用，从而提升癌症分类模型的性能。本文提出了一种基于改进版飞蛾扑火优化算法（MFO++）的特征选择方法，该方法专门针对高维癌症微阵列数据进行了优化。所提出的MFO++算法引入了受飞蛾自然行为（如吸引、排斥和随机运动）影响的自适应机制，以迭代搜索最优特征子集。与传统的特征选择方法不同，MFO++根据数据集的特性动态调整搜索过程中的开发能力和探索能力，从而提高了特征选择的效力和效率。具体而言，与标准飞蛾扑火优化（MFO）算法相比，MFO++在八个高维癌症基因表达数据集上实现了平均6.5%的准确率提升。该改进以分类准确率作为主要评估指标，比较基准为在不进行任何特征选择或使用标准MFO进行特征选择的情况下，五种分类器（DT、RF、K-NN、SVM和BPNN）的性能表现。
Keyword:
Feature selection
High-dimensional microarray dataset
Cancer classification
Evolutionary optimization
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
D
IF:
0
论文数:
430
被引数:
8
机构
引用论文
Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm蛾焰优化算法: 一种新的自然启发启发式范式
PREAI
分享收藏Classification of brain tumours Using Genetic Algorithms as a Feature Selection Method (GAFS)基于遗传算法作为特征选择方法（GAFS）的脑肿瘤分类
PREAI
分享收藏分享收藏A comprehensive survey on recent metaheuristics for feature selection对最近用于特征选择的元启发式方法的综合调查.png)
NEUROCOMPUTINGOAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
查看更多内容