論文の概要: An efficient hybrid classification approach for COVID-19 based on Harris
Hawks Optimization and Salp Swarm Optimization
- arxiv url: http://arxiv.org/abs/2301.05296v1
- Date: Sun, 25 Dec 2022 19:52:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-29 14:27:27.834490
- Title: An efficient hybrid classification approach for COVID-19 based on Harris
Hawks Optimization and Salp Swarm Optimization
- Title（参考訳）: Harris Hawks Optimization と Salp Swarm Optimization に基づく COVID-19 の効率的なハイブリッド分類手法
- Authors: Abubakr Issa, Yossra Ali, Tarik Rashid
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Feature selection can be defined as one of the pre-processing steps that
decrease the dimensionality of a dataset by identifying the most significant
attributes while also boosting the accuracy of classification. For solving
feature selection problems, this study presents a hybrid binary version of the
Harris Hawks Optimization algorithm (HHO) and Salp Swarm Optimization (SSA)
(HHOSSA) for Covid-19 classification. The proposed (HHOSSA) presents a strategy
for improving the basic HHO's performance using the Salp algorithm's power to
select the best fitness values. The HHOSSA was tested against two well-known
optimization algorithms, the Whale Optimization Algorithm (WOA) and the Grey
wolf optimizer (GWO), utilizing a total of 800 chest X-ray images. A total of
four performance metrics (Accuracy, Recall, Precision, F1) were employed in the
studies using three classifiers (Support vector machines (SVMs), k-Nearest
Neighbor (KNN), and Extreme Gradient Boosting (XGBoost)). The proposed
algorithm (HHOSSA) achieved 96% accuracy with the SVM classifier, and 98%
accuracy with two classifiers, XGboost and KNN.
- Abstract（参考訳）: 特徴選択は、最も重要な属性を識別し、分類の精度を高めながらデータセットの次元性を低下させる前処理ステップの1つとして定義することができる。
特徴選択問題の解法として,Covid-19分類のためのハリスホークス最適化アルゴリズム(HHO)とサルプ群最適化(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。
The proposed (HHOSSA) is a strategy to improve the basic HHO's performance using the Salp algorithm's power to select the best fitness values。
HHOSSA は Whale Optimization Algorithm (WOA) と Grey wolf Optimizationr (GWO) の2つのよく知られた最適化アルゴリズムに対して、800個の胸部X線画像を用いて試験を行った。
3つの分類器 (support vector machine (svms), k-nearest neighbor (knn), extreme gradient boosting (xgboost)) を用いて, 合計4つの性能指標 (accuracy, recall, precision, f1) を用いた。
提案アルゴリズム(HHOSSA)は,SVM分類器で96%,XGboostとKNNで98%の精度を達成した。
関連論文リスト
- An Effective Networks Intrusion Detection Approach Based on Hybrid
Harris Hawks and Multi-Layer Perceptron [47.81867479735455]
本稿では,Harris Hawks Optimization (HHO) を用いた多層パーセプトロン学習のための侵入検知システムを提案する。
HHO-MLPは、ネットワークの侵入検出エラーを最小限に抑えるため、学習プロセスにおいて最適なパラメータを選択することを目的としている。
HHO-MLPは、93.17%の精度、95.41%の感度、95.41%の特異度でトップスコアを獲得することで、優れた性能を示した。
論文 参考訳（メタデータ） (2024-02-21T06:25:50Z) - An Efficient High-Dimensional Gene Selection Approach based on Binary
Horse Herd Optimization Algorithm for Biological Data Classification [1.1510009152620668]
Horse Herd Optimization Algorithm (HOA)は、異なる年齢の馬の行動に基づく新しいメタヒューリスティックアルゴリズムである。
本稿では、離散的な問題を解くためにHOAのバイナリバージョンを提案し、特徴部分集合を選択する。
提案手法 (MRMR-BHOA) は, 精度, 最小選択特性において優れた性能を示す。
論文 参考訳（メタデータ） (2023-08-18T19:40:59Z) - BCDDO: Binary Child Drawing Development Optimization [4.395397502990339]
本研究におけるラッパーの特徴を選択するために,BCDDO(Binary Child Drawing Development Optimization)を提案する。
最適な分類精度を達成するため、提案したBCDDOを用いて重要な特徴のサブセットを選択する。
提案手法は, 特徴選択領域において, 分類精度を高めるために, 提案手法を著しく上回っている。
論文 参考訳（メタデータ） (2023-07-19T11:32:34Z) - Efficient Convex Algorithms for Universal Kernel Learning [50.877957471649395]
カーネルの理想的な集合: 線形パラメータ化(トラクタビリティ)を認める; すべてのカーネルの集合に密着する(正確性)。
従来のカーネル最適化アルゴリズムは分類に限られており、計算に複雑なセミデフィニティプログラミング(SDP)アルゴリズムに依存していた。
本稿では,従来のSDP手法と比較して計算量を大幅に削減するSVD-QCQPQPアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-15T04:57:37Z) - Massively Parallel Genetic Optimization through Asynchronous Propagation
of Populations [50.591267188664666]
Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。
提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。
Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
論文 参考訳（メタデータ） (2023-01-20T18:17:34Z) - 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) - 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) - Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features
Selection [1.990876596716716]
子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。
ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。
このフレームワークは3つの公開ベンチマークデータセットで評価されている。
論文 参考訳（メタデータ） (2021-06-09T08:57:22Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z) - ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning [91.13797346047984]
本稿では,2次最適化アルゴリズムであるADAHESSIANを紹介する。
ADAHESSIANは、他の適応最適化手法と比較して、新しい最先端の成果を大きなマージンで達成することを示す。
論文 参考訳（メタデータ） (2020-06-01T05:00:51Z) - Incorporating Expert Prior in Bayesian Optimisation via Space Warping [54.412024556499254]
大きな探索空間では、アルゴリズムは関数の最適値に達する前に、いくつかの低関数値領域を通過する。
このコールドスタートフェーズの1つのアプローチは、最適化を加速できる事前知識を使用することである。
本稿では,関数の事前分布を通じて,関数の最適性に関する事前知識を示す。
先行分布は、探索空間を最適関数の高確率領域の周りに拡張し、最適関数の低確率領域の周りに縮小するようにワープする。
論文 参考訳（メタデータ） (2020-03-27T06:18:49Z)
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。