論文の概要: Embedded Chaotic Whale Survival Algorithm for Filter-Wrapper Feature Selection

• arxiv url: http://arxiv.org/abs/2005.04593v1
• Date: Sun, 10 May 2020 07:01:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 01:30:46.911950
• Title: Embedded Chaotic Whale Survival Algorithm for Filter-Wrapper Feature Selection
• Title（参考訳）: フィルタラッパー特徴選択のための組込みカオス鯨生存アルゴリズム
• Authors: Ritam Guha, Manosij Ghosh, Shyok Mutsuddi, Ram Sarkar, Seyedali Mirjalili
• Abstract要約: 機能選択(FS)は、データセットから関連する機能のみを特定するのに役立つ、挑戦的な前処理技術である。 Whale Optimization Algorithm(WOA)のバイナリバージョンは、ハチクジラの捕食行動にインスパイアされた人気のあるFS技術である。 本稿では,WOAの組込み型組込み型カオス鯨生存アルゴリズム(ECWSA)を提案し,そのラッパープロセスを用いて高い分類精度を実現する。
• 参考スコア（独自算出の注目度）: 44.626347405310334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classification accuracy provided by a machine learning model depends a lot on the feature set used in the learning process. Feature Selection (FS) is an important and challenging pre-processing technique which helps to identify only the relevant features from a dataset thereby reducing the feature dimension as well as improving the classification accuracy at the same time. The binary version of Whale Optimization Algorithm (WOA) is a popular FS technique which is inspired from the foraging behavior of humpback whales. In this paper, an embedded version of WOA called Embedded Chaotic Whale Survival Algorithm (ECWSA) has been proposed which uses its wrapper process to achieve high classification accuracy and a filter approach to further refine the selected subset with low computation cost. Chaos has been introduced in the ECWSA to guide selection of the type of movement followed by the whales while searching for prey. A fitness-dependent death mechanism has also been introduced in the system of whales which is inspired from the real-life scenario in which whales die if they are unable to catch their prey. The proposed method has been evaluated on 18 well-known UCI datasets and compared with its predecessors as well as some other popular FS methods.
• Abstract（参考訳）: 機械学習モデルによって提供される分類精度は、学習プロセスで使用される特徴セットに大きく依存する。 特徴選択(FS)は、データセットから関連する特徴のみを識別し、特徴の次元を減らし、同時に分類精度を向上させる、重要かつ困難な前処理技術である。 Whale Optimization Algorithm(WOA)のバイナリバージョンは、ハチクジラの捕食行動にインスパイアされた人気のあるFS技術である。 本稿では,組込み型カオス鯨生存アルゴリズム (ECWSA) の組込みバージョンを提案し,そのラッパープロセスを用いて高い分類精度を達成し,より少ない計算コストで選択したサブセットをさらに改良するフィルタ手法を提案する。 ECWSAでは、獲物を探しながらクジラが続く動きの種類の選択をガイドするためにカオスが導入されている。 鯨が獲物を捕えられなければ死んでしまうという現実のシナリオに触発された、鯨のシステムにもフィットネス依存的な死のメカニズムが導入された。 提案手法は18の有名なuciデータセットで評価され,fs法やfs法と比較された。

関連論文リスト

• Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
  本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。 提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
  論文  参考訳（メタデータ） (2024-03-06T16:31:56Z)
• Fast Classification with Sequential Feature Selection in Test Phase [1.1470070927586016]
  本稿では,分類のための能動的特徴獲得のための新しいアプローチを提案する。 最適な予測性能を達成するために、最も情報性の高い機能のサブセットを順次選択する作業である。 提案手法では,既存の手法に比べてはるかに高速で効率の良い新しい遅延モデルが提案されている。
  論文  参考訳（メタデータ） (2023-06-25T21:31:46Z)
• 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)
• 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)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• 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)
• A concise method for feature selection via normalized frequencies [0.0]
  本稿では,普遍的特徴選択のための簡潔な手法を提案する。 提案手法は, フィルタ法とラッパー法を融合して行う。 評価結果から,提案手法は,精度,精度,リコール,Fスコア,AUCの点で,いくつかの最先端技術に優れた性能を示した。
  論文  参考訳（メタデータ） (2021-06-10T15:29:54Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)
• Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
  オープンセット認識の問題点を考察する。 新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-05-27T23:49:26Z)
• A Scalable Feature Selection and Opinion Miner Using Whale Optimization Algorithm [6.248184589339059]
  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。
  論文  参考訳（メタデータ） (2020-04-21T01:08:45Z)

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。