机器学习与元启发学相遇:白头搜索优化和红鹿优化用于二型糖尿病诊断中的特征选择
Dinesh Chellappan1, Harikumar Rajaguru2
1Department of Electrical and Electronics Engineering, KPR Institute of Engineering and Technology, Coimbatore 641 407, Tamil Nadu, India.
Bioengineering (Basel, Switzerland)
|August 29, 2024
概括
特性选择和提取技术显著提高了使用微阵列数据的II型糖尿病 (DM) 检测准确度. 红鹿优化 (RDO) 与皮尔森公司合作
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 医疗信息学 医疗信息学
背景情况:
- 微阵列基因数据为准确的疾病检测带来了高维度的挑战.
- 检测II型糖尿病 (DM) 需要强大的分析方法,以获得临床效用.
- 现有的分类方法可能难以应对基因组数据集的复杂性.
研究的目的:
- 评估特征提取和选择方法,以提高DM检测的准确性.
- 为了在微阵列数据上比较具有和没有特征工程的分类器性能.
- 确定最佳技术,以提高II型DM的诊断精度.
主要方法:
- 特征提取:短时间里叶变换 (STFT),山脊回归 (RR),皮尔森相关系数 (PCC).
- 功能选择:元启发式算法 Bald Eagle 搜索优化 (BESO) 和红鹿优化 (RDO).
- 分类:在微阵列基因数据上评估了七种算法,包括支持向量机与辐射基函数内核 (SVM-RBF).
主要成果:
- 在没有特征选择的情况下,Pearson与SVM-RBF的相关系数 (PCC) 获得了92.85%的准确性.
- 使用SVM-RBF的BESO和PCC保持了高精度.
- 红鹿优化 (RDO) 与PCC和SVM-RBF相结合,获得了最高的准确率97.14%.
结论:
- 特征提取和选择技术大大提高了II型DM检测的准确性.
- 红鹿优化 (RDO) 与皮尔森相关系数 (PCC) 和SVM-RBF相结合是非常有效的.
- 这些优化的方法显示了改善基因组基础诊断的巨大潜力.


