view in publisher's site

Binary Harris Hawks Optimizer for High-Dimensional, Low Sample Size Feature Selection

Feature selection is a preprocessing step that aims to eliminate the features that may negatively influence the performance of the machine learning techniques. The negative influence is due to the possibility of having many irrelevant and/or redundant features. In this chapter, a binary variant of recent Harris hawks optimizer (HHO) is proposed to boost the efficacy of wrapper-based feature selection techniques. HHO is a new fast and efficient swarm-based optimizer with various simple but effective exploratory and exploitative mechanisms (Levy flight, greedy selection, etc.) and a dynamic structure for solving continuous problems. However, it was originally designed for continuous search spaces. To deal with binary feature spaces, we propose a new binary HHO in this chapter. The binary HHO is validated based on special types of feature selection datasets. These hard datasets are high dimensional, which means that there is a huge number of features. Simultaneously, we should deal with a low number of samples. Various experiments and comparisons reveal the improved stability of HHO in dealing with this type of datasets.

Binary Binary Hawks برای انتخاب ابعادی بالا، انتخاب نمونه کم‌تر

انتخاب مشخصه یک مرحله پیش‌پردازش است که هدف از آن حذف ویژگی‌هایی است که ممکن است اثر منفی بر عملکرد تکنیک‌های یادگیری ماشین داشته باشند. تاثیر منفی ناشی از امکان داشتن بسیاری از ویژگی‌های نامربوط و یا اضافی است. در این فصل، یک متغیر باینری از hawks Harris اخیر optimizer (HHO)پیشنهاد شده‌است که کارایی تکنیک‌های انتخاب ویژگی مبتنی بر پوشش را افزایش دهد. HHO یک optimizer سریع و کارآمد با روش‌های اکتشافی ساده اما موثر و exploitative (Levy، انتخاب حریصانه، و غیره)و یک ساختار پویا برای حل مشکلات مداوم است. اما در اصل برای فضاهای جستجوی پیوسته طراحی شده‌است. برای سروکار داشتن با فضای ویژگی دودویی، ما یک HHO دوتایی جدید را در این فصل پیشنهاد می‌کنیم. مدل دودویی براساس انواع خاصی از مجموعه داده‌های انتخاب ویژگی تایید می‌شود. این مجموعه داده‌های سخت ابعادی بالا هستند که به این معنی است که تعداد زیادی از ویژگی‌ها وجود دارد. همزمان، ما باید با تعداد کمی از نمونه‌ها برخورد کنیم. آزمایش‌ها و مقایسه‌ها نشان‌دهنده پایداری بهبود یافته of در برخورد با این نوع از مجموعه داده‌ها است.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.