Using a binary hybrid Fox optimization algorithm for attribute selection

İlker Dağlı

doi:10.1007/s10586-025-05805-z

2026-01-06

PRE

İlker Dağlı *

Onur İnan *

Fatih Başçi̇ftçi̇ *

DOI：10.1007/s10586-025-05805-z

原文链接

原文求助

摘要

En 中文

数据集中无关或冗余特征的存在会降低分类精度并增加数据规模，给智能信息系统的开发带来重大挑战。为解决这些挑战，本研究引入了二进制狐狸优化算法（BFOX），这是一种结合了狐狸优化器（FOX）与混沌映射的二进制混合属性选择方法。该方法通过降维和提升分类精度来增强特征选择效率，从而支持下一代智能信息系统的设计。BFOX的性能在UCI仓库中的十个基准数据集上进行了评估。其有效性通过与文献中报道的几种最先进方法进行比较，包括最近开发的算法，如BCDDO、GOOSE、LEO和LPB。对于分类任务，系统采用了欧氏距离矩阵和K-最近邻（K-NN）算法。每个实验重复了二十次，并系统地评估了关键指标，包括所选属性数量、分类精度和适应度。结果表明，BFOX在十个数据集中的九个上实现了最高的平均分类精度。唯一的例外是BreastEW数据集，其中LPB算法获得了最佳结果，而BFOX提供了非常接近且具有竞争力的表现。此外，BFOX在七个数据集（Zoo、WineEW、Lymphography、HeartEW、Breastcancer、BreastEW、SpectEW）中减少了属性数量，证实了其在生成紧凑特征子集方面的有效性，同时未牺牲分类性能。总体而言，二进制狐狸优化算法为属性选择提供了一种有效且可靠的解决方案。它可直接应用于数据挖掘、知识发现以及设计用于处理不确定性和大规模数据的智能信息系统的开发。总之，研究结果证实，与现有方法相比，所提出的BFOX算法始终能实现更高的分类精度和更低的特征维度。通过在二进制框架中将FOX优化器与混沌映射相结合，BFOX为特征选择任务提供了一种经过统计验证、高效且可靠的解决方案，支持其在智能信息系统中的实际应用。此外，BFOX的优越性通过Friedman检验进行了统计验证，证实了算法间观察到的性能差异具有显著性。

Keyword:

Attribute selection

Fox

Classification

Chaotic maps

Optimization