論文の概要: A Scalable Feature Selection and Opinion Miner Using Whale Optimization
Algorithm
- arxiv url: http://arxiv.org/abs/2004.13121v1
- Date: Tue, 21 Apr 2020 01:08:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 06:55:45.602258
- Title: A Scalable Feature Selection and Opinion Miner Using Whale Optimization
Algorithm
- Title（参考訳）: 鯨最適化アルゴリズムを用いたスケーラブルな特徴選択とオピニオンマイナ
- Authors: Amir Javadpour, Samira Rezaei, Kuan-Ching Li and Guojun Wang
- Abstract要約: 機能選択技術を使用することで、データの理解が向上するだけでなく、スピードと正確性も向上する。
本稿では,Whale Optimizationアルゴリズムを,特徴量の最適部分集合の探索に適用する。
- 参考スコア（独自算出の注目度）: 6.248184589339059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the fast-growing volume of text documents and reviews in recent years,
current analyzing techniques are not competent enough to meet the users' needs.
Using feature selection techniques not only support to understand data better
but also lead to higher speed and also accuracy. In this article, the Whale
Optimization algorithm is considered and applied to the search for the optimum
subset of features. As known, F-measure is a metric based on precision and
recall that is very popular in comparing classifiers. For the evaluation and
comparison of the experimental results, PART, random tree, random forest, and
RBF network classification algorithms have been applied to the different number
of features. Experimental results show that the random forest has the best
accuracy on 500 features. Keywords: Feature selection, Whale Optimization
algorithm, Selecting optimal, Classification algorithm
- Abstract（参考訳）: 近年,文書やレビューが急速に増えているため,現在の分析技術はユーザのニーズを満たすには適していない。
機能選択技術を使用すると、データの理解が向上するだけでなく、より高速で正確になる。
本稿では,Whale Optimizationアルゴリズムを,特徴量の最適部分集合の探索に適用する。
既知のように、F測度は精度とリコールに基づく計量であり、分類器の比較で非常に人気がある。
実験結果の評価と比較のために、異なる特徴量に対してPart, random tree, random forest, and RBF network classification algorithmを適用した。
実験の結果,無作為林の精度は500種が最も高いことがわかった。
キーワード:特徴選択、鯨最適化アルゴリズム、最適分類アルゴリズムの選択
関連論文リスト
- An efficient hybrid classification approach for COVID-19 based on Harris
Hawks Optimization and Salp Swarm Optimization [0.0]
本研究では、Covid-19分類のためのHarris Hawks Optimization Algorithm(HHO)とSalp Swarm Optimization(SSA)のハイブリッドバイナリバージョンを提案する。
提案アルゴリズム(HHOSSA)は,SVMで96%の精度,2つの分類器で98%,98%の精度を達成した。
論文 参考訳（メタデータ） (2022-12-25T19:52:18Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。
基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。
我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文 参考訳（メタデータ） (2022-09-27T17:51:31Z) - A Tent L\'evy Flying Sparrow Search Algorithm for Feature Selection: A
COVID-19 Case Study [1.6436293069942312]
情報科学の急速な発展によって引き起こされる「次元のカルス」は、大きなデータセットを扱う際に悪影響を及ぼす可能性がある。
本研究では,スナロー探索アルゴリズム(SSA)の変種であるTent L'evy Flying Sparrow Searchアルゴリズム(TFSSA)を提案する。
TFSSAは、分類のためにパッキングパターンにおける機能の最も優れたサブセットを選択するために使用される。
論文 参考訳（メタデータ） (2022-09-20T15:12:10Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - RSO: A Novel Reinforced Swarm Optimization Algorithm for Feature
Selection [0.0]
本稿では,Reinforced Swarm Optimization (RSO) という特徴選択アルゴリズムを提案する。
このアルゴリズムは、広く使われているBee Swarm Optimization (BSO)アルゴリズムとReinforcement Learning (RL)アルゴリズムを組み込んで、優れた検索エージェントの報酬を最大化し、劣悪なエージェントを罰する。
提案手法は、バランスの取れたデータと不均衡なデータの完全なブレンドを含む、広く知られている25のUCIデータセットで評価される。
論文 参考訳（メタデータ） (2021-07-29T17:38:04Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳（メタデータ） (2021-05-23T19:21:55Z) - Bayesian Algorithm Execution: Estimating Computable Properties of
Black-box Functions Using Mutual Information [78.78486761923855]
多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。
本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。
これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
論文 参考訳（メタデータ） (2021-04-19T17:22:11Z) - Towards Feature-Based Performance Regression Using Trajectory Data [0.9281671380673306]
ブラックボックス最適化は非常に活発な研究領域であり、毎年多くの新しいアルゴリズムが開発されている。
アルゴリズムの多様性はメタプロブレム(メタプロブレム):どのアルゴリズムが与えられた問題を選択するか?
過去の研究では、探索ランドスケープ分析に基づくインスタンスごとのアルゴリズム選択が、このメタプロブレムに取り組むための効率的な手段であることが示されている。
論文 参考訳（メタデータ） (2021-02-10T10:19:13Z) - Stochastic Optimization Forests [60.523606291705214]
標準的なランダムな森林アルゴリズムのように予測精度を向上させるために分割するのではなく、分割を選択した木を栽培し、下流の意思決定品質を直接最適化することで、森林決定政策の訓練方法を示す。
概略分割基準は、各候補分割に対して正確に最適化された森林アルゴリズムに近い性能を保ちながら、100倍のランニング時間を短縮できることを示す。
論文 参考訳（メタデータ） (2020-08-17T16:56:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。