تحسين Sand Cat Swarm القائمة على الذاكرة لاختيار الميزات في التشخيص الطبي

يفرض التوسع السريع للبيانات الطبية العديد من التحديات على مهام التعلم الآلي (ML) نظرًا لإمكانية تضمين ميزات مفرطة الضوضاء وغير ذات صلة وزائدة عن الحاجة. ونتيجة لذلك، من الأهمية بمكان اختيار الميزات الأكثر صلة بمهمة التصنيف، والتي يشار إليها باسم اختيار الميزة (FS). من بين مناهج اختيار الميزة، تم تصميم طرق الغلاف لاختيار المجموعة الفرعية الأكثر ملاءمة من الميزات. في هذه الدراسة، تم تنفيذ نهجين ذكيين لاختيار الميزات باستخدام خوارزمية ميتا هيوريستية جديدة تسمى Sand Cat Swarm Optimizer (SCSO). أولاً، يتم إنشاء الإصدار الثنائي من SCSO، المعروف باسم BSCSO، من خلال الاستفادة من دالة التحويل على شكل حرف S لإدارة الطبيعة الثنائية بشكل فعال في مجال اختيار الميزة. ومع ذلك، يعاني BSCSO من استراتيجية بحث ضعيفة لأنه لا يحتوي على ذاكرة داخلية للحفاظ على أفضل موقع. وبالتالي، سوف يتقارب بسرعة كبيرة إلى الأمثل المحلي. لذلك، فإن طريقة FS المقترحة الثانية مخصصة لصياغة BSCSO محسّنة تسمى SCSO القائمة على الذاكرة الثنائية (BMSCSO). لقد دمجت استراتيجية قائمة على الذاكرة في عملية تحديث الموضع لـ SCSO لاستغلال أفضل الحلول والحفاظ عليها. تم استخدام واحد وعشرون مجموعة بيانات مرضية معيارية لتنفيذ وتقييم طريقتي FS المحسّنتين، BSCSO وBMSCSO. وفقًا للنتائج، كان أداء BMSCSO أفضل من BSCSO من حيث قيم اللياقة البدنية والدقة وعدد الميزات المحددة. بناءً على النتائج التي تم الحصول عليها، يمكن لـ BMSCSO كطريقة FS استكشاف مجال الميزة بكفاءة لمجموعة الميزات المثلى.