在医学诊断中选择特征的卡普奇人搜索算法的认知增强版本:一项COVID-19病例研究
Malik Braik1, Mohammed A Awadallah2,3, Mohammed Azmi Al-Betar3,4
1Department of Computer Science, Al-Balqa Applied University, Salt, Jordan.
Cognitive computation
|June 26, 2023
概括
本研究介绍了三种可适应版本的卡普奇人搜索算法 (CSA) 用于特征选择 (FS). 增强指数CSA (ECSA) 在24个数据集的分类准确性和其他指标方面表现出卓越的表现.
科学领域:
- 认知计算是一种认知计算.
- 机器学习是机器学习.
- 数据挖掘是一种数据挖掘.
背景情况:
- 功能选择 (FS) 在机器学习和数据挖掘中至关重要,需要进一步研究.
- 认知计算中的现有FS方法已经得到了改进,以提高性能.
研究的目的:
- 引入三种可适应的卡普奇搜索算法 (CSA) 版本,具有改进的搜索功能.
- 使用这些自适应CSA版本来选择最佳特征子集,并与k-Nearest Neighbor (k-NN) 分类器结合使用.
主要方法:
- 开发了三个可适应的CSA版本:指数式CSA (ECSA),功率CSA (PCSA) 和S形CSA (SCSA).
- 集成的策略,如惯性重量和加速度系数的自动控制,以提高CSA的搜索效率和融合.
- 适应的CSA的应用二进制版本,在24个基准数据集上使用k-NN分类器进行特征选择.
主要成果:
- 拟议的自适应CSA版本显著优于原始CSA和其他基于k-NN的FS方法.
- 二元ECSA实现了最好的整体结果,在分类准确性 (18数据集),特异性 (13数据集),灵敏性 (10数据集) 和适应性值 (14数据集) 中表现出色.
- 二元ECSA,PCSA和SCSA在多个数据集上的特异性,敏感性和准确性表现超过90%.
结论:
- 拟议的自适应CSA方法通过有效地探索特征空间来提高分类准确性.
- 这些方法成功地确定了对分类任务最相关的特征,优于现有技术.
- 适应式ECSA在增强机器学习应用程序的功能选择方面特别有前途.
