猎物捕获增强了哈里斯·霍克斯优化器,用于在高维医学数据中基于包装的特征选择

科学领域:

• 优化算法优化算法
• 计算智能是一种计算智能.
• 数据科学是数据科学.

背景情况:

• 哈里斯·霍克斯优化器 (HHO) 对于特征选择是有效的,但在高维数据,局部最佳值和计算成本方面存在困难.
• 在HHO的猎物捕获机制的局限性可能会阻碍其在复杂数据集上的表现.

研究的目的:

• 引入了一种增强的HHO算法,即猎物捕获哈里斯霍克斯优化器 (PCHHO),以提高猎物捕获能力.
• 在高维数据集上开发二进制变体 (bPCHHO) 用于基于包装的特征选择.

主要方法:

• PCHHO集成交叉和突变运营商,以提高探索性开发能力.
• 在CEC2017基准套件上对HHO和其他元启发术进行了PCHHO的评估.
• bPCHHO在15个高维医学数据集上进行了测试,与6个二进制元启发器相对应.

主要成果:

• 在CEC2017基准套件上,PCHHO表现出卓越的表现.
• 与bHHO相比,bPCHHO的分类错误减少了77%,计算时间减少了8%,选择的功能减少了73%.
• 统计测试 (威尔科克森签名等级,弗里德曼) 证实了显著的性能改善.

结论:

• 在基准优化和特征选择方面,PCHHO和bPCHHO表现出色.
• bPCHHO对于在高维度医疗数据上基于包装的特征选择非常有效.
• 改进的算法为数据分析中的实际应用提供了有前途的潜力.