基于学习启发技术的两种新型特征选择方法用于乳腺癌预测：综合分析

乳腺癌由于其未知原因而不可预防，但及时诊断可增加患者的康复机会。机器学习（ML）可用于改善医疗操作的结果，同时降低成本和时间。在本研究中，我们提出两种基于帝国竞争算法（ICA）和蝙蝠算法（BA）的新型特征选择（FS）方法及其与机器学习算法的结合。该研究旨在增强诊断模型的效率，并提供全面的分析，以帮助临床医生进行更精确可靠的决策。所采用的方法包括 K 近邻、支持向量机、决策树、朴素贝叶斯、AdaBoost、线性判别分析、随机森林、逻辑回归和人工神经网络。本文采用评估措施和机器学习算法的独特集成，基于 ICA 的包装特征选择（WFSIC）和 BA（WFSB）分别进行实施。我们比较了两种提出方法在分类器性能方面的表现。还将我们最佳诊断模型与文献中以前的工作进行比较。实验在威斯康星诊断乳腺癌数据集上进行。结果表明，使用 BA 的提出框架准确率达到 99.12%，超过了使用 ICA 的框架以及大多数以前的工作。此外，基于 BA 的 FS 方法中的随机森林分类器作为最佳模型，凭借其准则性能优于其他模型。此外，结果说明我们的技术在减少数据集维度至 90% 以上，并使诊断模型性能提升至 99% 以上。此外，结果表明，大多数机器学习模型所选取的最佳特征集比我们提出的 FS 方法选取的最佳数据集特征更多。