一个基于过程优化机制的多个过器包装器特征选择算法,用于高维的奥米克数据分析

科学领域:

• 机器学习 机器学习
• 数据科学数据科学数据科学
• 生物信息学是一种生物信息学.

背景情况:

• 高维数据给传统的机器学习模型带来了挑战.
• 现有的混合特征选择方法往往产生同质子集,从而限制了它们的有效性.
• 需要新的方法来增强特征子集多样性和优化性能.

研究的目的:

• 介绍一种新的混合特征选择算法,即混合多重过器包装算法.
• 解决现有方法生成的特征子集的同质性问题.
• 为了提高高维数据集的分类准确性和维度减小.

主要方法:

• 一个双模块结构,将随机森林用于初始减少和一个新的双变量过器 (最小的斯皮尔曼-最大的相互信息) 结合起来,用于相关性/冗余性评估.
• 集群智能算法 (灰狼和混沌虫) 与混乱理论的整合,以加强探索和开发.
• 一种使用随机激光强度波动来防止局部最佳的动态过程优化机制,包括过器重启和基于混乱的人口重置.

主要成果:

• 拟议的算法在10个基准数据集中显著优于其他10个混合算法.
• 至少达到1.3%以上的平均分类准确度.
• 功能子集长度减少至少8个单位,维度减少到原来的0.45%以下,具有统计学上显著的改进.

结论:

• 混合多重过包装算法有效地为高维数据生成多样化的特征子集.
• 过器,包装器,群智能和混沌理论的新整合提供了卓越的性能.
• 这种方法提供了一个强大的解决方案,可以提高分类的准确性,并实现显著的维度减少.