Efficient high-dimension feature selection based on enhanced equilibrium optimizer (Запись № 668722)
[ простой вид ]
| 000 -Маркер | |
|---|---|
| Поле контроля фиксированной длины | 03669nlm1a2200421 4500 |
| 005 - Идентификатор версии | |
| Поле контроля фиксированной длины | 20231030042158.0 |
| 035 ## - Другие системные номера | |
| Идентификатор записи | (RuTPU)RU\TPU\network\39959 |
| 035 ## - Другие системные номера | |
| Идентификатор записи | RU\TPU\network\37208 |
| 100 ## - Данные общей обработки | |
| Данные общей обработки | 20230119a2022 k y0engy50 ba |
| 101 0# - Язык ресурса | |
| Язык текста, звукозаписи и т.д. | английский |
| 135 ## - Поле кодированных данных: электронные ресурсы | |
| Кодированные данные для электронного ресурса | drcn ---uucaa |
| 181 #0 - Поле кодированных данных: вид содержания | |
| Код вида содержания | i |
| 182 #0 - Поле кодированных данных: средство доступа | |
| Код средства доступа | electronic |
| 200 1# - Заглавие и сведения об ответственности | |
| Основное заглавие | Efficient high-dimension feature selection based on enhanced equilibrium optimizer |
| Первые сведения об ответственности | S. Ouadfel, A. M. Mokhamed Elsaed (Mohamed Abd Elaziz) |
| 203 ## - Вид содержания и средство доступа | |
| Вид содержания | |
| Средство доступа | |
| 300 ## - Общие примечания | |
| Текст примечания | Title screen |
| 330 ## - Резюме или реферат | |
| Текст примечания | Feature selection (FS) is an important task in any classification process and aims to choose the smallest features number that yields higher classification accuracy. FS can be formulated as a combinatorial NP-hard problem for which robust metaheuristics are used as efficient wrapper-based FS approaches. However, when applied for high dimensional datasets that present large features number and few samples, the effectiveness of such wrapper-metaheuristics degraded, and their computation costs increased. To tackle this problem, we propose in this paper a hybrid FS approach based on the ReliefF filter method and a novel metaheuristic Equilibrium Optimizer (EO). The proposed method, called RBEO-LS, is composed of two phases. In the first phase, the ReliefF algorithm is used as a preprocessing step to assign weights for features, which estimate their relevance to the classification task. In the second phase, the binary EO (BEO) is used as a wrapper search approach. The features are ranked according to their weights and are used for the initialization of the BEO population. We embedded the BEO with a local search strategy to improve its performance by adding relevant features and removing redundant ones from the features subset guided by the features ranking and the Pearson coefficient correlation. The performance of the developed algorithm has been evaluated on sixteen UCI datasets and ten high dimensional biological datasets. The UCI datasets contain a high number of samples and a small or medium number of features. The biological datasets present a high number of features with few samples. The results demonstrate that the use of the ReliefF algorithm and the local search strategy improves the performance of the EO algorithm. The results also show the superiority of the RBEO-LS, among other state-of-the-art approaches. |
| 461 ## - Уровень набора | |
| Заглавие | Expert Systems with Applications |
| 463 ## - Уровень физической единицы | |
| Заглавие | Vol. 187 |
| Обозначение тома | [115882, 23 p.] |
| Дата публикации | 2022 |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | электронный ресурс |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | труды учёных ТПУ |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | feature selection |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | equilibrium optimizer |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | high-dimension data |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | relief |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | local search strategy |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | оптимизаторы |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | равновесие |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | рельеф |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | локальный поиск |
| 700 #1 - Имя лица – первичная ответственность | |
| Начальный элемент ввода | Ouadfel |
| Часть имени, кроме начального элемента ввода | S. |
| Расширение инициалов личного имени | Salima |
| 701 #1 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Mokhamed Elsaed (Mohamed Abd Elaziz) |
| Часть имени, кроме начального элемента ввода | A. M. |
| Дополнения к именам, кроме дат | Specialist in the field of informatics and computer technology |
| -- | Professor of Tomsk Polytechnic University |
| Даты | 1987- |
| Расширение инициалов личного имени | Akhmed Mokhamed |
| -- | stltpush |
| Идентификатор авторитетной/ нормативной записи | (RuTPU)RU\TPU\pers\46943 |
| 712 02 - Наименование организации – вторичная ответственность | |
| Начальный элемент ввода | Национальный исследовательский Томский политехнический университет |
| Структурное подразделение | Инженерная школа информационных технологий и робототехники |
| -- | Отделение информационных технологий |
| -- | 7951 |
| -- | stltpush |
| Идентификатор авторитетной/ нормативной записи | (RuTPU)RU\TPU\col\23515 |
| 801 #2 - Источник записи | |
| Страна | RU |
| Организация | 63413507 |
| Дата составления | 20230119 |
| Правила каталогизации | RCR |
| 856 4# - Местонахождение электронных ресурсов и доступ к ним | |
| Универсальный идентификатор ресурса | https://doi.org/10.1016/j.eswa.2021.115882 |
| 090 ## - System Control Numbers (Koha) | |
| Koha biblioitem number (autogenerated) | 668722 |
| 942 ## - Добавленные элементы ввода (Коха) | |
| Тип документа | Computer Files |
Нет доступных единиц.