Resumen

Seleccionar el conjunto correcto de características de datos de alta dimensionalidad para inducir un modelo de clasificación preciso es un desafío computacional difícil. Es casi un problema NP-duro, ya que las combinaciones de características se escalan exponencialmente a medida que aumenta el número de características. Lamentablemente, en la minería de datos, así como en otras aplicaciones de ingeniería y bioinformática, algunos datos están descritos por un largo conjunto de características. Se han propuesto muchos algoritmos de selección de subconjuntos de características en el pasado, pero no todos son efectivos. Dado que parece llevar una eternidad utilizar la fuerza bruta al intentar exhaustivamente cada posible combinación de características, la optimización estocástica puede ser una solución. En este artículo, proponemos un nuevo esquema de selección de características llamado Swarm Search para encontrar un conjunto óptimo de características utilizando metaheurísticas. La ventaja de Swarm Search es su flexibilidad para integrar cualquier clasificador en su función de aptitud e insertar cualquier algoritmo metaheurístico para facilitar la búsqueda heurística. Se realizan experimentos

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Características; Minería de datos; Modelo de clasificación; Algoritmos de selección de subconjuntos de características; Swarm Search; Metaheurísticas
• Keywords:Features; Data mining; Classification model; Feature subset selection algorithms; Swarm Search; Metaheuristics