人工肝分类器：一种新型的监督式机器学习模型替代方案
人工智能
2025-09-24 v2
摘要
监督式机器学习分类器有时会面临性能、准确率或过拟合相关挑战。本文引入了人工肝分类器（Artificial Liver Classifier, ALC），这是一种受人类肝脏解毒功能启发的新型监督学习模型。ALC具有简单、快速、降低过拟合的特性，能够通过直观的数学运算有效解决多类分类问题。为优化ALC的参数，我们在训练期间采用改进的FOX优化算法（IFOX）。我们在五个基准数据集上评估了提议的ALC：鸢尾花、乳腺癌威斯康星、葡萄酒、语音性别和MNIST。结果表明，ALC在鸢尾花数据集上实现了最高达100%的准确率，超越了逻辑回归、多层感知器和支持向量机；在乳腺癌数据集上达到99.12%的准确率，超过了XGBoost和逻辑回归。在所有数据集上，ALC始终表现出更小的泛化间隙和更低的损失值。这些发现凸显了受生物学启发的模型在开发高效机器学习分类器方面的潜力，并为该领域的创新开辟了新方向。
引用
@article{arxiv.2501.08074,
title = {Artificial Liver Classifier: A New Alternative to Conventional Machine Learning Models},
author = {Mahmood A. Jumaah and Yossra H. Ali and Tarik A. Rashid},
journal= {arXiv preprint arXiv:2501.08074},
year = {2025}
}
备注
22 pages