抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
高次元バイオメディカルデータの正確な分類は,診断関連疾患の診断に使用できるデータの主な特徴の効率的な認識に大きく依存している。しかし,生物医学データにおける多数の無関係または冗長な特徴の存在のため,分類手法は特徴選択アルゴリズムなしでデータ中のパターンを正しく同定する。特徴選択手法は,分類精度を維持または強化するために,無関係で冗長な特徴を除去することを追求する。本論文では,生物医学データ分類のためのチャープ最適化アルゴリズム(ChOA)に基づく新しいラッパー特徴選択法を提案した。ChOAは,特徴選択問題を解く能力がまだ調べられていない新しく提案されたメタヒューリスティックアルゴリズムである。特徴選択問題のために,ChoAの2つのバイナリ変異体を導入した。最初のアプローチでは,2つの伝達関数(S形とV形)を用いて,ChoAの連続バージョンを二値に変換した。伝達関数に加えて,交差オペレータを,ChOAの探索行動を改善するために,第2のアプローチで利用した。提案したアプローチの効率を検証するために,5つの公的に利用可能な高次元生物医学データセット,およびライフ,テキスト,および画像のような異なるドメインからの2,3のデータセットを採用した。次に,提案したアプローチを,多目的遺伝的アルゴリズム(GA),粒子群最適化(PSO),Batアルゴリズム(BA),アリコロニー最適化(ACO),ホタルアルゴリズム(FA),および花受粉(FP)アルゴリズム,および3つの異なる分類器を用いた2つの標準フィルタベースの特徴選択法を含む,6つのよく知られたラッパーベースの特徴選択法と比較した。実験結果は,提案した方式が最少の有意特性を効果的に除去し,分類精度を改善することを証明した。また,提案したラッパー特徴選択技術は,選択した遺伝子の数およびほとんどの場合における分類精度に関して,GA,PSO,BA,ACO,FA,FPおよびその他の既存の方法より優れている。Copyright The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】