مروری بر جدید ترین روش های انتخاب ویژگی در یادگیری عمیقتوسط الگوریتم های فراابتکاری برای داده های حوزه پزشکی

امروزه برای حل مسائل مختلف در دنیای محاسبات از تکنیک های گوناگونی استفاده می شود. الگوریتم های فراابتکاری قادر به ارائهراه حل های عملی هستند. با توجه به کارایی این الگوریتم ها، داده های مراقبت های بهداشتی برای تشخیص بیماری ها نسبت بهروش های سنتی کارایی بهتری دارند. یکی از کارهای مهم در یادگیری ماشین انتخاب ویژگی است. کاهش ابعاد مجموعه ویژگی باحفظ دقت عملکرد، هدف اصلی مشکل انتخاب ویژگی است. روش های مختلفی برای طبقه بندی مجموعه داده ها ارائه شده است . اینمقاله یک مرور ادبیاتی در حل مسئله انتخاب ویژگی با استفاده از الگوریتم های فراابتکاری در سال های ۲۰۲۰-۲۰۲۳ ارائه می کند. هدف اصلی این مطالعه ارائه مشارکت محققان با نشان دادن روش شناسی آنها برای پیشبینی بیماری ها با استفاده از تکنیک هایفراابتکاری است. در این مقاله الگوریتم های مبتنی بر روش های هوش جمعی بررسی شده است. الگوریتم های فراابتکاری در حلمسئله انتخاب ویژگی بر اساس معماری مورد استفاده، نوع بیماری، اهداف و محدویت های آنها بررسی شده اند. انتظار می رود ارایهیک نمای کلی از انواع روش های مختلف همراه با مزایا و معایب آنها، محققان را به بررسی روش های پیشرفته تر تشویق کن د.همچنین ارائه راهنمایی برای متخصصان در انتخاب روش های مناسب مورد استفاده در سناریوهای دنیای واقعی باشد و محدودیت هاو مسائل بالقوه برای تحقیقات آینده را مورد بحث قرار دهد

کلیدواژه ها:

الگوریتم های فراابتکاری ، انتخاب ویژگی ، یادگیری عمیق ، تشخیص بیماری