가중

Scientific Reports 13권, 기사 번호: 14061(2023) 이 기사 인용

1507 액세스

1 알트메트릭

측정항목 세부정보

오늘날의 데이터 중심 디지털 문화에서는 생산성을 높이면서 본질적으로 운영 비용을 줄이는 최적화된 솔루션에 대한 수요가 매우 높습니다. 막대한 양의 데이터를 처리하는 데 사용할 수 있는 메모리 양과 처리 시간에는 여러 가지 제한이 있습니다. 데이터 세트에 중복되고 흥미롭지 않은 정보가 포함되어 있다면 이는 의심할 여지 없이 더 큰 문제가 될 것입니다. 예를 들어, 많은 데이터 세트에는 주어진 분류 알고리즘을 주로 속이는 많은 비정보 기능이 포함되어 있습니다. 이 문제를 해결하기 위해 연구자들은 원시 데이터 세트에서 불필요한 정보를 기계 학습(ML) 알고리즘 앞에 배치하기 전에 제거하는 것을 목표로 하는 다양한 특징 선택(FS) 기술을 개발해 왔습니다. 메타 휴리스틱 최적화 알고리즘은 FS와 같은 NP 하드 문제를 해결하기 위한 확실한 선택인 경우가 많습니다. 본 연구에서는 메타휴리스틱의 일종인 SSA(Sparrow Search Algorithm) 기반의 래퍼 FS 기법을 제시한다. SSA는 빠른 수렴과 향상된 안정성이 돋보이는 군집지능(SI) 방식이다. SSA에는 대부분의 SI 알고리즘과 마찬가지로 낮은 군집 다양성과 늦은 반복에서의 약한 탐색 능력과 같은 몇 가지 단점이 있습니다. 따라서 10개의 혼돈 지도를 사용하여 우리는 세 가지 방법으로 SSA를 개선하려고 합니다: (i) 초기 떼 생성; (ii) SSA에서 두 개의 무작위 변수 대체; (iii) 수색 범위를 가로지르는 참새를 잡는다. 결과적으로 우리는 SSA의 혼란스러운 형태인 CSSA를 얻게 됩니다. 광범위한 비교를 통해 CSSA는 IEEE(Institute of Electrical and Electronics Engineers) CEC(Congress on Evolutionary Computation) 벤치마크 세트의 다양한 대표 기능을 해결하는 데 있어서 군집 다양성 및 수렴 속도 측면에서 우수하다는 것을 보여줍니다. 또한 University of California Irvine(UCI) 데이터 저장소의 18개 학제간, 다중 규모 ML 데이터 세트와 3개의 고차원 마이크로어레이 데이터 세트에 대한 CSSA의 실험적 분석은 CSSA가 12개의 최첨단 알고리즘보다 성능이 우수하다는 것을 보여줍니다. FS 규율을 기반으로 한 분류 작업에서. 마지막으로 Wilcoxon의 부호 순위 테스트, Friedman의 순위 테스트 및 Nemenyi 테스트를 기반으로 한 5% 유의 수준 통계 사후 분석을 통해 전반적인 적합도, 분류 정확도, 선택한 특징 크기, 계산 시간, 수렴 추적 측면에서 CSSA의 유의성을 확인했습니다. , 안정성.

21세기는 데이터의 시대가 되어 삶의 모든 측면에서 데이터 분석과 활용이 가시화되고 있으며, 이러한 데이터는 고차원적인 성격을 띠는 경우가 많습니다1,2,3,4,5. 그러나 이 데이터에는 상당 수의 중복되고 관련 없는 특성이 포함되어 기존 기계 학습(ML) 알고리즘으로 처리할 때 계산 오버헤드와 과적합 위험이 증가하는 것은 불가피합니다6,7,8. 결과적으로 데이터를 더 잘 활용하려면 쓸모없는 기능을 처리할 수 있는 기능 선택(FS)과 같은 효율적인 절차를 개발해야 합니다9,10,11. 래퍼, 필터 및 임베디드 FS 기술은 일반적으로 기능 하위 집합에 대한 평가를 기반으로 차별화하는 데 사용됩니다. 래퍼 기반 접근 방식은 더 높은 분류 정확도를 얻기 위해 미리 정의된 ML 알고리즘에 의존하지만 ML 알고리즘을 여러 번 실행해야 하기 때문에 계산 비용이 매우 많이 듭니다13. 반대로, 기능 하위 집합을 평가하는 동안 필터 기반 접근 방식은 ML 알고리즘을 사용하지 않으므로 컴퓨팅 비용은 절감되지만 분류 정확도는 낮아질 수 있습니다14. 임베디드 기술은 FS를 모델 학습에 통합하여 계산 가중치를 낮추면서 알고리즘 모델의 영향을 설명합니다. 그러나 이러한 방법은 일반화 능력이 낮고 계산이 상당히 복잡합니다.