A computação suave (SC) surgiu como uma ferramenta versátil para resolver problemas computacionais complexos em vários domínios. A CS tira partido das capacidades de reconhecimento e aprendizagem semelhantes às humanas para fornecer soluções inovadoras para os desafios do mundo real. Numa era de explosão de dados, o processamento eficaz de dados exige a seleção de atributos-chave para a modelação preditiva, o que leva à necessidade de seleção de subconjuntos de características. A seleção de subconjuntos de características é um problema difícil de resolver, com vários métodos categorizados em abordagens de filtro, de invólucro e incorporadas. Os algoritmos metaheurísticos, conhecidos pelas suas capacidades de pesquisa global, têm sido utilizados na seleção de características para maximizar a precisão da classificação. Com enfoque nas aplicações médicas, este estudo explora o diagnóstico assistido por computador, em que os métodos de seleção de características baseados na população melhoram a precisão da classificação reduzindo o tempo de análise. A investigação introduz dois novos métodos metaheurísticos, o Separated Enemy Driven Dragon Algorithm (SEDDA) e o Fitness-based Crow Search Algorithm (FSCA), e compara-os com técnicas estabelecidas.
Bitte wählen Sie Ihr Anliegen aus.
Rechnungen
Retourenschein anfordern
Bestellstatus
Storno