人工肝脏分类器:传统机器学习模型的新选择
Mahmood A Jumaah1, Yossra H Ali1, Tarik A Rashid2
1Department of Computer Science, University of Technology, Baghdad, Iraq.
Frontiers in artificial intelligence
|August 27, 2025
概括
新的人工肝脏分类器 (ALC) 有效地处理多类分类,减少过度拟合并提高准确性. 这种以生物为灵感的模型在基准数据集上显示出有前途的结果.
科学领域:
- 机器学习
- 计算生物学
- 人工智能
背景情况:
- 监督机器学习分类器经常遇到性能,准确性和过度匹配的挑战.
- 开发强大而高效的分类模型仍然是研究的关键领域.
研究的目的:
- 介绍人工肝脏分类器 (ALC),这是一个新的监督学习模型.
- 解决当前分类器的局限性,专注于简单性,速度和过度拟合的减少.
- 调查ALC对多类分类问题的有效性.
主要方法:
- 人工肝脏分类器 (ALC) 是一种新的受监督学习模型,
- 对ALC的参数优化使用改进的FOX (IFOX) 优化算法进行.
- 该ALC模型在五个基准数据集上进行了评估:虹彩花,乳腺癌威斯康星州,葡萄酒,语音性别和MNIST.
主要成果:
- ALC的准确性很高,在虹膜数据集上达到100%,在乳腺癌数据集上达到99. 12%.
- 在特定数据集上,ALC的表现优于已有的分类器,如物流回归,多层感知器,支持向量机和XGBoost.
- 与传统方法相比,在所有测试数据集中,ALC显示了较小的概括差距和较低的损失值.
结论:
- 生物启发的模型为开发高效的机器学习分类器提供了有希望的方向.
- 人工肝脏分类器 (ALC) 为多类分类任务提供了可行和有效的方法.
- 这项研究通过将生物原理纳入机器学习模型设计,为创新开辟了新的途径.


