.png){kind=icon}
返回
Optimizing Feature Selection Binary Peacock Algorithm with Improved Movement Strategy
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-96-8889-0_8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征选择通过降低复杂度和提高精度在提升机器学习模型效率中扮演着关键角色。尽管存在深度学习和过滤方法，但受自然启发的算法为特征选择提供了独特优势。它们能够探索高维、非线性搜索空间，避免局部最优，并在无需大量标注数据或预设假设的情况下适应多样化问题领域。二进制孔雀算法（bPA）是一种成熟的受自然启发的算法，通过模仿孔雀和雌孔雀的求偶与交配行为来平衡探索与开发。bPA在特征选择任务中已展现出优于其他算法的潜力。尽管其能有效平衡探索与开发，bPA常因收敛速度慢和计算时间高而效率较低，难以适用于大规模或时间敏感的应用。因此，可通过改进群体移动来提升其速度，使其更适用于实际场景。本文提出了三种改进的bPA变体：(1) VbPA，整合速度动力学以增强群体移动；(2) SbPA，在搜索解空间中融入螺旋运动；(3) CWbPA：采用组合行走策略以在搜索空间中动员群体。在基准数据集上的实验结果表明，VbPA和CWbPA显著提升了计算时间和精度，而SbPA在多数指标上表现最差。CWbPA的精度提升最高达14.3%，特征减少最多47.8%，计算时间减少超过50%。这些结果证明，在bPA中引入结构化速度动力学可提升其性能，使其在特征选择等二元问题上更高效。
Keyword:
Metaheuristic Algorithm
Feature Selection
Binary Peacock Algorithm
期刊
机构
引用论文
分享收藏Banati, H.; Sharma, R.; Yadav, A. Binary Peacock Algorithm: A Novel Metaheuristic Approach for Feature Selection. J. Classif. 2024, 41, 216–244. [Google Scholar] [CrossRef]Banati, H.; Sharma, R.; Yadav, A. 二进制孔雀算法：一种用于特征选择的新型元启发式方法。J. Classif. 2024, 41, 216–244. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏分享收藏
分享收藏分享收藏
查看更多内容