一种以对数生存全局搜索驱动的生物医学蛇优化系统用于特征选择优化及其在疾病识别中的应用

Feb, 2024

一种以对数生存全局搜索驱动的生物医学蛇优化系统用于特征选择优化及其在疾病识别中的应用

A Bio-Medical Snake Optimizer System Driven by Logarithmic Surviving Global Search for Optimizing Feature Selection and its application for Disorder Recognition

PDF

Ruba Abu Khurma, Esraa Alhenawi, Malik Braik, Fatma A. Hashim, Amit Chhabra...

TL;DR通过采用机器学习技术自动预测病人情况，提高医疗实践的重要性。特征选择是一种用于修改数据、降低数据集维度、增强分类结果的工具。在相应数据集中，Tournament Logarithmic Snake Optimizer 在实验中达到了最佳准确度和最好的特征降维。

Abstract

It is of paramount importance to enhance medical practices, given how important it is to protect human life. medical therapy can be accelerated by automating patient prediction using machine learning techniques.

medical therapy machine learning feature selection classifier efficiency tournament logarithmic snake optimizer

发现论文，激发创造

L1 逻辑回归作为特征选择步骤用于训练稳健的分类树，以预测输入疟疾患者严重程度

本研究探讨了不同的分类方法，如 L1 逻辑回归、分类树和 L1LR-Tree，在识别恶性疟疾严重程度方面的性能和稳定性，并基于变量分类策略构建了稀疏且稳定的模型，从而提高了临床对恶性疟疾的诊断。

Nov, 2015

基于灰狼优化器的增强教学学习优化模型在文本特征选择和聚类中的应用

利用 Teaching-Learning-Based Optimization、Grey Wolf Optimizer 和 Genetic Algorithm 等算法的 TLBO-GWO 过滤特征选择算法可显著提升文本聚类技术 (K-means) 的有效性。

Feb, 2024

基于生物启发特征选择的慢性疾病预测数据集优化

通过比较分析，本研究证明了生物启发式优化算法在慢性疾病预测的特征选择中的有效性，并强调了数据预处理的重要性，为提高医疗保健结果提供了宝贵的见解。

Dec, 2023

使用逻辑回归进行特征选择的实验

在监督式机器学习中，特征选择扮演着非常重要的角色，可以通过计算时间和精确度等指标来提高可解释性和性能。本文研究了一种基于逻辑回归（LR）的著名 L1 和 L2 正则化策略的特征选择方法，并综合了 L1 和 L2 正则化的发现，在 CIC-IDS2018 数据集上进行了实验，对比了不同大小的特征集上 LR+L1 和 LR+L2 的精确度差异。发现在选择特征集后两种方法的精确度没有显著差异，且综合的特征集在决策树和随机森林等更复杂模型上的精确度也很接近，并报告了标准指标：精确度、召回率、准确率和 F1 分数。

Jan, 2024

无限潜变量特征选择：基于概率潜图的排名方法

本文提出了一种基于概率潜变量图的鲁棒性特征选择算法，它通过将特征子集视为图上的路径，在考虑所有特征子集的同时执行排名步骤，并将相关性建模为 PLSA 启发式生成过程中的潜在变量。实验表明，该方法在许多不同的场景和难度下都可获得最高性能水平，并在特征选择领域设定了一个新的最佳状态。

Jul, 2017

在线稀疏流特征选择使用调整分类

本研究提出了基于自适应分类的在线稀疏特征流式选择方法 (OS2FS-AC)，通过潜在因子分析 (LFA) 预估缺失数据，将特征划分为强相关、弱相关和不相关三类，并将其中的弱相关特征进一步进行信息分割，实验证明该方法在真实数据集上的表现优于现有算法。

Feb, 2023

基于季节调整的特征选择方法：大规模搜索引擎日志

本文提出了一种新的特征选择方法，使用季节性调整方法将时间序列分解成季节性、趋势和非正常组成部分，并针对每个组成部分构建预测模型，选择适当的搜索词预测每个组成部分，以精确和稳定地预测可疑疾病爆发。

Aug, 2020

DOSA-MO: 多目标问题中系统性过高估计调整的双阶段优化器改进生物标志物发现

DOSA-MO 是一种新型的多目标优化封装算法，它通过学习原始估计、其方差以及解集大小如何预测过度估计，并调整期望值以在优化期间改进解集的组成，验证表明 DOSA-MO 基于三个转录组数据集对肾癌和乳腺癌进行生物标志物识别改进了基于遗传算法的最新研究在预测癌症亚型和 / 或患者总存活率时的性能。

Dec, 2023

多任务学习中的稀疏重叠集合 Lasso 及其在 fMRI 分析中的应用

本文提出了一种新的过程叫稀疏重叠集 (SOS) Lasso，是一种自动选择相关学习任务的类似特征的凸优化方法，其解决了多任务学习中特征选择的问题，特别是在多主题 fMRI 研究中具有应用价值。

Nov, 2013

结直肠癌风险预测模型特征选择的比较研究

针对结直肠癌，评估了多种特征排序算法在一组风险预测模型中的性能，通过标量稳定性度量和一种可视化方法评估其稳定性，与专家提供的特征进行了比较分析，并发现了与专家知识相一致的最相关特征。

Feb, 2024