Optimizador binario de águila para seleccionar características efectivas de datos médicos: un estudio de caso de covid-19
Autores: Nadimi-Shahraki, Mohammad H.; Taghian, Shokooh; Mirjalili, Seyedali; Abualigah, Laith
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Optimizador binario de águila para seleccionar características efectivas de datos médicos: un estudio de caso de covid-19
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Avances tecnológicos médicos
Conjuntos de datos grandes
Minería de datos
Selección de características
Optimizador Aquila
Precisión de clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
Los avances tecnológicos médicos han llevado a la creación de varios conjuntos de datos grandes con numerosos atributos. La presencia de características redundantes e irrelevantes en los conjuntos de datos influye negativamente en los algoritmos y conduce a disminuciones en el rendimiento de los mismos. El uso de características efectivas en tareas de minería de datos y análisis como la clasificación puede aumentar la precisión de los resultados y las decisiones relevantes tomadas por los tomadores de decisiones que las utilizan. Este aumento puede volverse más agudo al enfrentarse a problemas desafiantes a gran escala en aplicaciones médicas. Las metaheurísticas inspiradas en la naturaleza muestran un rendimiento superior en la búsqueda de subconjuntos óptimos de características en la literatura. Como un intento seminal, se presenta un enfoque de selección de características envolvente basado en el nuevo optimizador propuesto Aquila (AO) en este trabajo. En este sentido, el enfoque envolvente utiliza AO como algoritmo de búsqueda para descubrir el subconjunto de características más efectivo. El optimizador binario en forma de S Aquila (SBAO) y el optimizador binario en forma de V Aquila (VBAO) son dos algoritmos binarios sugeridos para la selección de características en conjuntos de datos médicos. Se generan vectores de posición binarios utilizando funciones de transferencia en forma de S y V mientras que el espacio de búsqueda permanece continuo. Los algoritmos sugeridos se comparan con seis algoritmos de optimización binaria recientes en siete conjuntos de datos médicos de referencia. En comparación con los algoritmos comparativos, los resultados obtenidos demuestran que el uso de ambas variantes de BAO propuestas puede mejorar la precisión de clasificación en estos conjuntos de datos médicos. El algoritmo propuesto también se prueba en el conjunto de datos real COVID-19. Los hallazgos demostraron que SBAO supera a los algoritmos comparativos en cuanto al menor número de características seleccionadas con la mayor precisión.
Descripción
Los avances tecnológicos médicos han llevado a la creación de varios conjuntos de datos grandes con numerosos atributos. La presencia de características redundantes e irrelevantes en los conjuntos de datos influye negativamente en los algoritmos y conduce a disminuciones en el rendimiento de los mismos. El uso de características efectivas en tareas de minería de datos y análisis como la clasificación puede aumentar la precisión de los resultados y las decisiones relevantes tomadas por los tomadores de decisiones que las utilizan. Este aumento puede volverse más agudo al enfrentarse a problemas desafiantes a gran escala en aplicaciones médicas. Las metaheurísticas inspiradas en la naturaleza muestran un rendimiento superior en la búsqueda de subconjuntos óptimos de características en la literatura. Como un intento seminal, se presenta un enfoque de selección de características envolvente basado en el nuevo optimizador propuesto Aquila (AO) en este trabajo. En este sentido, el enfoque envolvente utiliza AO como algoritmo de búsqueda para descubrir el subconjunto de características más efectivo. El optimizador binario en forma de S Aquila (SBAO) y el optimizador binario en forma de V Aquila (VBAO) son dos algoritmos binarios sugeridos para la selección de características en conjuntos de datos médicos. Se generan vectores de posición binarios utilizando funciones de transferencia en forma de S y V mientras que el espacio de búsqueda permanece continuo. Los algoritmos sugeridos se comparan con seis algoritmos de optimización binaria recientes en siete conjuntos de datos médicos de referencia. En comparación con los algoritmos comparativos, los resultados obtenidos demuestran que el uso de ambas variantes de BAO propuestas puede mejorar la precisión de clasificación en estos conjuntos de datos médicos. El algoritmo propuesto también se prueba en el conjunto de datos real COVID-19. Los hallazgos demostraron que SBAO supera a los algoritmos comparativos en cuanto al menor número de características seleccionadas con la mayor precisión.