الملخص يتم استخدام تقنيات التعلم الآلي للكشف المبكر عن الأمراض، مما يمكن أن يعزز بشكل كبير احتمالات العلاج الإيجابي والوجود. قد لا تكون خوارزميات التعلم الآلي التقليدية قادرة على توقع النتائج بدقة كافية. في هذا العمل، يتم اقتراح مصنف ECOLASSO الفعال مع تحسين العنكبوت الأسود لاختيار الميزات ومعدل التعلم التكيفي المتغير (ELBWOSALR) لاختيار الميزات والتنبؤ. يتكون العمل المقترح من مرحلتين، في المرحلة الأولى، يتم استخدام نموذج ECOLASSO للطيور المماثلة الإيكولوجية (ECOLASSO) للتنبؤ بأفضل الميزات من مجموعة البيانات من خلال إزالة الميزات ذات أقل معامل انحدار مطلق من مجموعة الميزات. يتم استخدام مُحسن العنكبوت الأسود (BWO) لاختيار مجموعة الميزات المثلى وتقليل المتطلبات المحلية. في المرحلة الثانية، يجمع معدل التعلم التكيفي المتغير (SALR) بين عدد من المصنفات الضعيفة لتكوين مصنف تجمع قوي من خلال معدل التعلم التكيفي. المساهمة الرئيسية في هذا العمل هي دمج نموذج ECOLASSO مع BWO لاختيار ميزات قوية، جنبًا إلى جنب مع مصنف SALR. تعالج هذه الهجينتين تحديين حرجين في الوقت نفسه: (i) يضمن ECOLASSO اتخاذ قرار متسق وموجه وفقًا للأهمية البيئية لاختيار الميزات ذات الصلة، بينما (ii) يمنع BWO التقارب المبكر ويعزز فعالية البحث الشامل. من خلال دمج هذه مع SALR، يحقق نموذجنا دقة وتعميمًا أفضل بالمقارنة مع المصنفات التقليدية. تم استخدام مجموعات بيانات سرطان الرئة وسرطان الثدي وأمراض القلب للتجربة. تمت مقارنة مصنف ELBWOSALR مع نماذج مصنفات مختلفة مثل مصنف الدعم المتجه، ومصنف شجرة القرار، ومصنف الغابة العشوائية، والانحدار اللوجستي، ومصنف تعزيز التدرجات المتطرف، ومصنف تعزيز التدرجات، ومصنف الجوار الأقرب، ومصنف CatBoost وتمت ملاحظة النتائج. يحقق مصنف ELBWOSALR دقة تصل إلى 98% و97% و91% مع قيم AUC تبلغ 92% و99% و94% لمجموعات بيانات سرطان الرئة وسرطان الثدي وأمراض القلب على التوالي.
درس فيجيا وآخرون (الأربعاء) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: