کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4946246 1439275 2017 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A discrete bacterial algorithm for feature selection in classification of microarray gene expression cancer data
ترجمه فارسی عنوان
یک الگوریتم باکتری جداگانه برای انتخاب ویژگی در طبقه بندی داده های سرطانی بیان میکروسکوپی ژن
کلمات کلیدی
انتخاب ویژگی، بهینه سازی کلنی باکتریایی، بهینه سازی تغذیه باکتری ها، طبقه بندی سرطان،
ترجمه چکیده
هنگام استخراج داده های با ابعاد بزرگ، لعن ابعاد یکی از دشواری های اصلی برای غلبه بر آن است. در این مقاله، یک استراتژی انتخاب وزن با توجه به الگوریتم های مبتنی بر باکتری ها، برای کاهش ابعاد ویژگی در طبقه بندی، توسعه یافته است. استراتژی انتخاب وزن پیشنهاد شده ویژگی ها را براساس عملکرد طبقه بندی خود و همچنین فراوانی وقوع جمعیت بر اساس دو ماتریس مشخص می کند. اهداف به حداقل رساندن تعداد ویژگی ها، به حداکثر رساندن عملکرد و به حداقل رساندن هزینه های محاسباتی در نظر گرفته شده است. با توجه به نقص الگوریتم های مبتنی بر باکتری، الگوریتم انتخاب ویژگی های مبتنی بر بهینه سازی باکتری ها به منظور کاهش پیچیدگی محاسباتی و همچنین بهبود قابلیت جستجو حتی در مشکلات بهینه سازی گسسته پیشنهاد شده است. برای بررسی اثربخشی روش انتخاب روش پیشنهاد شده، چهار روش مبتنی بر باکتری با استراتژی وزنی تعبیه شده با چهار روش انتخاب کلاسیک و سه الگوریتم مبتنی بر جمعیت شناخته شده با استفاده از 15 مجموعه داده های آرایه کوچک سرطان با تعداد زیادی از ویژگی ها مقایسه شده و کلاس ها. نتایج نشان می دهد که استراتژی های انتخابی وزن محصور شده، توانایی انتخاب ویژگی های الگوریتم های باکتریایی را بهبود داده است. مکانیسم های پیشنهادی جدیدی که در روش بهینه سازی کلون باکتریایی تعبیه شده اند می توانند بر محدودیت الگوریتم های مبتنی بر باکتری های قدیمی با استفاده از ختم زودرس برای کاهش زمان محاسبات غلبه کنند و در مقایسه با سایر روش های انتخابی که در مقایسه در مقایسه با سایر ویژگی های قابل مقایسه یا اغلب موارد بهتر ارائه می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
یک الگوریتم باکتری جداگانه برای انتخاب ویژگی در طبقه بندی داده های سرطانی بیان میکروسکوپی ژن
چکیده انگلیسی
When mining in high dimensional data, the curse of dimensionality is one of the major difficulty to overcome. In this paper, a weighted feature selection strategy is developed and embedded in bacterial based algorithms to reduce the feature dimension in classification. The proposed weighted feature selection strategy distinguishes the features by their classification performances as well as the occurrence frequency in population according to the two matrices. The objectives of minimizing the number of features, maximizing the performance, and minimizing the computational cost are all considered. Regarding the drawback of bacterial based algorithms, Bacterial Colony Optimization based feature selection algorithm is proposed to decrease the computational complexity as well as improve the search ability even in discrete optimization problems. To test the effectiveness of the proposed feature selection method, four bacterial based methods with the weighted strategy embedded have been compared with four classical feature selection methods and three well-known population based algorithms using 15 cancer micro-array datasets with different numbers of features and classes. The results show that the weighted feature selection strategies embedded have improved the feature selection capability of bacterial algorithms. The new proposed mechanisms embedded in Bacterial Colony Optimization method can overcome the limitation of the traditional bacterial based algorithms using premature termination to decrease the computational time, and provide comparable or in most cases better solutions than other feature selection methods considered in the comparison.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 126, 15 June 2017, Pages 8-19
نویسندگان
, , ,