一个改进的山优化器,基于混乱地图和螺旋扰动,用于医疗特征选择
Ying Li1,2, Yanyu Geng1,2, Huankun Sheng1,2
1College of Computer Science and Technology, Jilin University, Changchun, People's Republic of China.
PloS one
|July 16, 2024
概括
本研究介绍了一种改进的山优化器 (IMGO) 和其二进制版本 (BIMGO),用于高维医学数据中的有效特征选择. 在识别最相关的特征方面,BIMGO表现出卓越的性能,提高了诊断准确度.
科学领域:
- 机器学习 机器学习
- 数据挖掘 数据挖掘
- 生物信息学是一种生物信息学.
背景情况:
- 高维数据在机器学习和数据挖掘方面带来了挑战.
- 有效的特征选择对于提高模型性能和可解释性至关重要.
- 现有的元启发算法可能需要对复杂的特征选择任务进行增强.
研究的目的:
- 为持续优化问题开发和评估一个改进的山优化器 (IMGO).
- 设计IMGO (BIMGO) 的二进制版本,专门用于医疗数据集中的特征选择.
- 评估BIMGO对各种医疗数据的既定元启发算法的有效性.
主要方法:
- 用无限崩的代混乱地图 (ICMIC) 启动种群,以增加多样性.
- 纳入非线性控制因子,以平衡勘探和开采.
- 应用螺旋扰动机制和邻里搜索策略,以增强本地搜索和融合.
- 在23个基准数据集上评估IMGO,在16个医学数据集上评估BIMGO.
主要成果:
- 在持续优化任务中,IMGO表现出卓越的性能.
- 在医疗数据集上,BIMGO显著超过了8个竞争的元启发算法.
- BIMGO实现了更好的健身值,减少了选择的功能数量,提高了灵敏度.
- 统计分析证实了BIMGO在选择有效特征方面的卓越能力.
结论:
- 拟议的IMGO算法有效地解决了持续优化挑战.
- BIMGO提供了一种强大而高效的解决方案,用于在高维的医疗数据中进行特征选择.
- BIMGO的增强性能表明它有可能提高诊断准确性和临床决策.
