用于特征选择的帐篷 Lévy 飞行麻雀搜索算法：以 COVID-19 为例的研究
机器学习
2022-09-23 v1
摘要
信息科学的快速发展所带来的“维数灾难”在处理大型数据集时可能产生负面影响。本文提出一种麻雀搜索算法（SSA）的变体，称为帐篷 Lévy 飞行麻雀搜索算法（TFSSA），并将其用于在选择包装模式下为分类目的筛选最佳特征子集。SSA 是近期提出的算法，尚未被系统地应用于特征选择问题。经 CEC2020 基准函数验证后，TFSSA 被用于选取最佳特征组合，以最大化分类精度并最小化所选特征数量。所提 TFSSA 与文献中的九种算法进行比较。采用九项评价指标对来自 UCI 仓库的二十一个数据集上这些算法的性能进行恰当评估与比较。此外，该方法应用于冠状病毒病（COVID-19）数据集，分别取得了 93.47% 的最佳平均分类精度和 2.1 的平均特征选择数。实验结果证实了所提算法相较于其他基于包装器的算法在提高分类精度与减少所选特征数量方面的优势。
引用
@article{arxiv.2209.10542,
title = {A Tent L\'evy Flying Sparrow Search Algorithm for Feature Selection: A COVID-19 Case Study},
author = {Qinwen Yang and Yuelin Gao and Yanjie Song},
journal= {arXiv preprint arXiv:2209.10542},
year = {2022}
}