Los puntos clave no están disponibles para este artículo en este momento.
La selección de características es una solución importante para el tratamiento de datos de alta dimensión en los campos del aprendizaje automático y la minería de datos. En este documento, presentamos un optimizador mejorado de gacela montañesa (IMGO) basado en el recientemente propuesto optimizador de gacela montañesa (MGO) y diseñamos una versión binaria de IMGO (BIMGO) para resolver el problema de selección de características para datos médicos. Primero, la población de gacelas se inicializa utilizando un mapa caótico iterativo con colapsos infinitos (ICMIC), lo que aumenta la diversidad de la población. En segundo lugar, se introduce un factor de control no lineal para equilibrar los componentes de exploración y explotación del algoritmo. Los individuos en la población se perturban utilizando un mecanismo de perturbación espiral para mejorar la capacidad de búsqueda local del algoritmo. Finalmente, se utiliza una estrategia de búsqueda en vecindario para los individuos óptimos para mejorar las capacidades de explotación y convergencia del algoritmo. La superior capacidad del algoritmo IMGO para resolver problemas continuos se demuestra en 23 conjuntos de datos de referencia. A continuación, BIMGO se evalúa en 16 conjuntos de datos médicos de diferentes dimensiones y se compara con 8 algoritmos metaheurísticos bien conocidos. Los resultados experimentales indican que BIMGO supera a los algoritmos en competencia en términos de valor de aptitud, número de características seleccionadas y sensibilidad. Además, los resultados estadísticos de los experimentos demuestran la capacidad significativamente superior de BIMGO para seleccionar las características más efectivas en conjuntos de datos médicos.
Li et al. (Martes,) estudiaron esta cuestión.