Robust feature selection for cancer microarray data using a hybrid mRMR and Binary Lion Optimization Algorithm

Bibhuprasad Sahu

doi:10.1038/s41598-026-47463-0

Robust feature selection for cancer microarray data using a hybrid mRMR and Binary Lion Optimization Algorithm

2026-05-18

0

OA

AI

DOI：10.1038/s41598-026-47463-0

原文链接

原文求助

摘要

En 中文

癌症微阵列数据集通常包含许多无关、重复甚至噪声特征，这可能会降低分类算法的准确性。作为特征工程的一个分支，特征选择过程旨在通过将特征数量限制为仅指定且有价值的特征，来提高所需微阵列分析的分类性能。特征选择是一个NP难问题，寻找解决方案的代理往往陷入局部最优，需要更多时间和计算资源。这意味着精心设计的全局搜索策略至关重要。狮群优化（LO）是一种最近提出的用于全局优化的元启发式算法。由于其受生物学启发的基于骄傲的社会结构，LO能够通过游牧搜索进行强探索，同时通过合作狩猎机制确保开发。它非常适合在高维数据集中进行最优特征子集选择。然而，LO方法似乎是为连续优化任务构建的。为解决此限制，开发了一种变体算法，即二进制狮群优化（BLO），使用S形转移函数来解决基于包装的特征选择问题，用于癌症微阵列数据集。所提出的方法在11个代表多种肿瘤和高维特征空间的癌症微阵列基准数据集上进行了测试。本研究使用mRMR（最小冗余最大相关性）作为过滤方法，在基于包装的BLO优化方法之前进行降维。mRMR-BLO方法的有效性在几个重要的癌症数据集上进行了评估，并与四种较新的二进制优化技术进行了比较，以测试其有效性。使用各种性能指标（如准确率、误分类率、精确率、召回率、特异度、漏报率、误报率和MCC）来评估模型。执行非参数Wilcoxon配对符号秩检验以评估mRMR-BLO。结果表明，在更小的特征集下，所提出的mRMR-BLO算法在比较的现有优化技术中达到了最高的预测准确率。

Keyword:

feature selection

cancer microarray

binary lion optimization

mRMR

wrapper-based method

Robust feature selection for cancer microarray data using a hybrid mRMR and Binary Lion Optimization Algorithm

摘要

期刊

机构

引用论文