Resumen

Con el rápido aumento del tamaño de los datos, hay cada vez más demanda de selección de características, que ha sido una poderosa herramienta para manejar datos de alta dimensión. En este trabajo, proponemos una nueva selección de características de optimización de enjambre de partículas nicho basado en el grupo de caos, que se utiliza para evaluar la importancia de los algoritmos de selección de características. Se propone un algoritmo iterativo para optimizar el nuevo modelo. Se ha demostrado que resolver el nuevo modelo es equivalente a resolver un problema NP con una regularización de normas flexible y adaptable. En primer lugar, se divide toda la población en dos grupos: Grupo NPSO y grupo caos. Los dos grupos se iteran, respectivamente, y se actualiza la optimización global. En segundo lugar, la iteración cruzada del grupo NPSO y el grupo caos evita que las partículas caigan en la optimización local. Por último, se seleccionan tres algoritmos representativos para compararlos entre sí en 10 conjuntos de datos UCI. Los resultados experimentales muestran que el rendimiento de selección de características del algoritmo es mejor que el del algoritmo de comparación, y la precisión de la clasificación mejora significativamente.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:grupo caos, grupo npso, nuevo modelo, optimización de enjambre de partículas nicho, regularización de norma adaptable, algoritmos de selección de rasgos, rendimiento de selección de rasgos, selección de rasgos novedosa, grupos, problema np
• Keywords:chaos group, npso group, new model, niche particle swarm optimization, adaptable norm regularization, feature selection algorithms, feature selection performance, novel feature selection, groups, np problem