增强的黑猩猩等级优化算法与适应性镜头成像用于数据分类中的特征选择

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 在数据预处理的机器学习中,特征选择至关重要.
• 黑猩猩优化算法 (CHoA) 提供快速融合,但在特征选择中存在弱探索和局部最佳问题.
• 不有效的特征选择导致机器学习模型的性能不足.

研究的目的:

• 提出一个增强的黑猩猩等级优化算法 (ALI-CHoASH),以解决特征选择中CHoA的局限性.
• 改进"黑猩猩优化算法"的探索和利用能力.
• 为了实现对分类问题的最佳特征子集选择.

主要方法:

• 设计了一个黑猩猩的社会层次结构与社会阶级因素,以建模个人关系.
• 引入了新的攻击猎物和自主搜索策略,以增强优化.
• 实施了自适应性镜头成像反向学习策略,以防止局部最佳并改善多样性.
• 在高维数据集上验证了算法.

主要成果:

• 与标准的CHoA相比,ALI-CHoASH展示了改进的勘探和开采能力.
• 拟议的算法在分类准确度和减少特征子集大小方面实现了卓越的性能.
• 与八种最先进的特征选择方法相比,ALI-CHOASH显示出具有竞争力或优异的结果.
• 该算法有效地避免了落入局部最佳状态,特别是在以后的代中.

结论:

• ALI-CHoASH算法为机器学习的功能选择提供了显著的进步.
• 增强的社会层次和适应性策略有效地提高了优化性能.
• ALI-CHoASH为选择最佳特征子集提供了强大而高效的解决方案,提高了分类准确性并减少了计算负载.