Resumen

El artículo presenta un nuevo enfoque para la selección de características basado en la máquina de aprendizaje extremo (ELM) y la optimización de enjambre de partículas darwiniana de orden fraccionario (FODPSO) para problemas de regresión. El método propuesto construye una función de aptitud mediante el cálculo del error cuadrático medio (MSE) adquirido a partir de la ELM. Y la solución óptima de la función de aptitud se busca mediante una optimización de enjambre de partículas mejorada, FODPSO. Para evaluar el rendimiento del método propuesto, se realizan experimentos comparativos con otros métodos relativos en siete conjuntos de datos públicos. El método propuesto obtiene seis valores de MSE más bajos entre todos los métodos comparativos. Los resultados experimentales demuestran que el método propuesto tiene la superioridad de obtener un MSE más bajo con la misma escala de subconjunto de características o requiriendo una escala menor de subconjunto de características para un MSE similar.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:métodos propuestos, escala de características, subconjunto de características, función de fitness, optimización de enjambre de partículas, métodos propuestos obtiene, máquina de aprendizaje extremo, error cuadrático medio, valor mse más bajo, soluciones óptimas
• Keywords:proposed methods, scale of features, features subset, fitness function, particles swarm optimization, proposed methods obtains, extreme learning machine, means square error, lowest mse value, optimal solutions