Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

A multi-objective artificial butterfly optimization approach for feature selection

Texto completo
Autor(es):
Rodrigues, Douglas [1] ; de Albuquerque, Victor Hugo C. [2] ; Papa, Joao Paulo [1]
Número total de Autores: 3
Afiliação do(s) autor(es):
[1] UNESP Sao Paulo State Univ, Dept Comp, Bauru, SP - Brazil
[2] Univ Fortaleza, Grad Program Appl Informat, Fortaleza, Ceara - Brazil
Número total de Afiliações: 2
Tipo de documento: Artigo Científico
Fonte: APPLIED SOFT COMPUTING; v. 94, SEP 2020.
Citações Web of Science: 0
Resumo

Feature selection plays an essential role in machine learning since high dimensional real-world datasets are becoming more popular nowadays. The very basic idea consists in selecting a compact but representative set of features that reduce the computational cost and minimize the classification error. In this paper, the authors propose single, multi- and many-objective binary versions of the Artificial Butterfly Optimization (ABO) in the context of feature selection. The authors also propose two different approaches: (i) the first one (MO-I) aims at optimizing the classification accuracy of each class individually, while (ii) the second one (MO-II) considers the feature set minimization in the process either. The experiments were conducted over eight public datasets, and the proposed approaches are compared against the well-known Particle Swarm Optimization, Firefly Algorithm, Flower Pollination Algorithm, Brainstorm Optimization, and the Black Hole Algorithm. The results showed that the binary single-objective ABO performed better than the other meta-heuristic techniques, selecting fewer features and also figuring a lower computational burden. Concerning multi- and many-objective feature selection, both MO-I and MO-II approaches performed better than their single-objective meta-heuristic counterparts. (C) 2020 Elsevier B.V. All rights reserved. (AU)

Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
Beneficiário:Alexandre Xavier Falcão
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 14/16250-9 - Sobre a otimização de parâmetros em técnicas de aprendizado de máquina: avanços e paradigmas
Beneficiário:João Paulo Papa
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 17/02286-0 - Modelos probabilísticos para detecção de perdas comerciais
Beneficiário:André Nunes de Souza
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 16/19403-6 - Modelos de aprendizado baseados em energia e suas aplicações
Beneficiário:João Paulo Papa
Linha de fomento: Auxílio à Pesquisa - Regular