BHHO-TVS: یک بهینه ساز باینری شاهین هریس با طرح زمانی متغیر

عنوان فارسی مقاله:BHHO-TVS: یک بهینه ساز باینری شاهین هریس با طرح زمانی متغیر برای حل مسائل طبقه بندی داده‌ها

چکیده

طبقه بندی داده‌ها یک مسئله چالش برانگیز است. طبقه بندی داده‌ها به نویز و ابعاد بالای داده‌ها بسیار حساس است. توانایی کاهش پیچیدگی مدل می‌تواند به بهبود دقت عملکرد مدل طبقه بندی کمک کند. بنابراین، در این تحقیق، ما یک تکنیک انتخاب ویژگی جدید مبتنی بر بهینه‌ساز باینری شاهین هریس با طرح زمان متغیر (BHHO-TVS) پیشنهاد می‌کنیم. BHHO-TVS پیشنهادی یک تابع انتقال با زمان متغیر را اتخاذ می‌کند که برای اعمال تأثیر بردار مکان برای متعادل کردن قدرت اکتشاف و بهره‌برداری HHO اعمال می‌شود. هجده مجموعه داده معروف ارائه شده توسط مخزن UCI برای نشان دادن اهمیت رویکرد پیشنهادی مورد استفاده قرار گرفت. نتایج گزارش‌شده نشان می‌دهد که BHHO-TVS با طرح‌های باینری‌سازی سنتی و همچنین سایر روش‌های انتخاب ویژگی باینری مانند الگوریتم جستجوی گرانشی باینری (BGSA) بهینه‌سازی ازدحام ذرات باینری (BPSO) الگوریتم خفاش باینری (BBA) بهینه‌سازی نهنگ باینری بهتر از BHHO و الگوریتم بهینه‌سازی نهنگ باینری (BWOA) و الگوریتم ازدحام باینری جوجه تیغی (BSSA) در مقایسه با سایر روش‌های انتخاب ویژگی مشابه معرفی شده در مطالعات قبلی، روش پیشنهادی بهترین نرخ‌های دقت را در ۶۷٪ از مجموعه‌های داده به دست می‌آورد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: BHHO-TVS: A Binary Harris Hawks Optimizer with Time-Varying Scheme for Solving Data Classification Problems

Abstract

Data classification is a challenging problem. Data classification is very sensitive to the noise and high dimensionality of the data. Being able to reduce the model complexity can help to improve the accuracy of the classification model performance. Therefore, in this research, we propose a novel feature selection technique based on Binary Harris Hawks Optimizer with Time-Varying Scheme (BHHO-TVS). The proposed BHHO-TVS adopts a time-varying transfer function that is applied to leverage the influence of the location vector to balance the exploration and exploitation power of the HHO. Eighteen well-known datasets provided by the UCI repository were utilized to show the significance of the proposed approach. The reported results show that BHHO-TVS outperforms BHHO with traditional binarization schemes as well as other binary feature selection methods such as binary gravitational search algorithm (BGSA), binary particle swarm optimization (BPSO), binary bat algorithm (BBA), binary whale optimization algorithm (BWOA), and binary salp swarm algorithm (BSSA). Compared with other similar feature selection approaches introduced in previous studies, the proposed method achieves the best accuracy rates on 67% of datasets.