原子搜索优化与模拟退火混合——一种用于特征选择的混合元启发式方法
计算机视觉与模式识别
2020-05-19 v1 机器学习
神经与进化计算
摘要
“混合元启发式”是优化与特征选择(FS)领域近年最有趣的趋势之一。本文提出了原子搜索优化(ASO)的二进制变体及其与模拟退火的混合方法ASO-SA用于特征选择。为将ASO使用的实数值映射到特征选择的二进制域，我们采用了两种不同的转移函数：S形和V形。我们将该技术与称为模拟退火(SA)的局部搜索技术相混合。我们将所提出的特征选择方法应用于来自4个不同类别的25个数据集：UCI、手写数字识别、文本与非文本分离以及面部情绪识别。我们使用3种不同的分类器(K近邻、多层感知机与随机森林)来评估二进制ASO、ASO-SA所选特征的有效性，并将结果与一些近期基于封装的方法进行比较。实验结果证实了所提方法在分类准确率和所选特征数量两方面的优越性。
引用
@article{arxiv.2005.08642,
title = {Atom Search Optimization with Simulated Annealing -- a Hybrid Metaheuristic Approach for Feature Selection},
author = {Kushal Kanti Ghosh and Ritam Guha and Soulib Ghosh and Suman Kumar Bera and Ram Sarkar},
journal= {arXiv preprint arXiv:2005.08642},
year = {2020}
}
备注
39 pages, submitted to Expert Systems with Applications, Elsevier