二进制沙猫群优化算法用于对生物数据进行包装特征选择

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 大量的生物数据集往往包含不相关的,冗余的,或噪声的属性,降低了分类模型的性能.
• 传统的特征选择方法可能在计算上昂贵,并且由于问题的NP-hard性质,容易产生局部最佳值.

研究的目的:

• 提出一种高效和有效的全局搜索方法,用于在离散问题中选择特征,特别是对于生物数据.
• 介绍二进制沙猫群优化 (bSCSO) 算法作为包装器特征选择的解决方案.

主要方法:

• 开发了一种针对离散优化问题的二进制版本的沙猫群优化 (bSCSO) 算法.
• 通过使用包装特征选择方法对十个基准生物数据集进行了bSCSO评估.
• 将bSCSO的性能与四个当代二进制优化算法的性能进行了比较.

主要成果:

• 对于生物数据集的特征选择,bSCSO算法表现出卓越的性能.
• 与现有的二进制优化算法相比,实现了更高的预测准确性.
• 成功识别了更小,更相关的特征子集,减少了计算复杂性.

结论:

• 拟议的bSCSO算法是生物数据分析中特征选择的有效和高效方法.
• bSCSO提供了一种有希望的方法来克服传统方法的局限性,提高分类性能.
• 这项工作为生物信息学中的离散问题提供了一种新的优化技术.