.png){kind=icon}
返回
Optimizing high dimensional data classification with a hybrid AI driven feature selection framework and machine learning schema
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-08699-4.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（FS）对于多变量和多特征的数椐集至关重要，因为它有助于消除无关元素，从而提高分类准确率。许多分类策略在从变量数量高的数椐集中选择关键特征方面是有效的。本研究使用了三个知名数椐集进行实验：Wisconsin Breast Cancer Diagnostic数椐集、Sonar数椐集和Differentiated Thyroid Cancer数椐集。FS尤其适用于四个主要原因：通过减少参数数量来降低模型复杂度、缩短训练时间、增强模型的泛化能力以及避免维度灾难。我们评估了多种分类算法的性能，包括K-Nearest Neighbors（KNN）、Random Forest（RF）、Multi-Layer Perceptron（MLP）、Logistic Regression（LR）和Support Vector Machines（SVM）。最高准确率确定了最有效的分类器。此外，本研究引入了混合算法，如TMGWO（Two-phase Mutation Grey Wolf Optimization）、ISSA（Improved Salp Swarm Algorithm）和BBPSO（Binary Black Particle Swarm Optimization），用于识别分类的重要特征。进行了比较分析，以从不同角度评估这些混合FS算法的性能。我们还比较了应用FS前后的分类器性能，测量了准确率、精确率和召回率的改进。在测试的算法中，TMGWO混合方法取得了更优结果，在特征选择和分类准确率方面均优于其他实验方法。
Keyword:
Feature selection
Hybrid algorithms
Dimensionality reduction
Model complexity reduction
Generalization enhancement
Curse of dimensionality
期刊
IF:
3.9
论文数:
28.0W
被引数:
83.5W
机构
引用论文
Reliable Negative Extracting Based on kNN for Learning from Positive and Unlabeled Examples基于kNN的可靠否定提取，用于从正面和未标记的示例中学习
PREAI
分享收藏分享收藏Feature selection based on BP neural network and adaptive particle swarm algorithm基于BP神经网络和自适应粒子群算法的特征选择.png)
IF0
PREAI
分享收藏Improved whale trainer for sonar datasets classification using neural networkAPPLIED ACOUSTICS
APPLIED ACOUSTICSIF3.6
PREAI
分享收藏Improved Salp Swarm Algorithm based on opposition based learning and novel local search algorithm for feature selection基于反向学习的改进Salp群算法和新的局部搜索特征选择算法
PREAI
分享收藏
分享收藏分享收藏
查看更多内容