21、基于混合沙猫优化算法的特征选择与极限学习机调优用于糖尿病分类

基于混合沙猫优化算法的特征选择与极限学习机调优用于糖尿病分类

1. 引言

糖尿病是一种代谢紊乱疾病，会损害人体处理血液中葡萄糖的能力，其特征是慢性高血糖。尽管医学不断进步，但糖尿病仍是现代常见的内分泌疾病之一，主要风险因素包括疾病、怀孕、遗传、肥胖、药物和化学物质等。若不及时治疗，糖尿病会影响身体多个系统，导致失明、肢体缺失甚至死亡。因此，早期检测对于提高患者生活质量、避免严重并发症至关重要。

机器学习（ML）作为人工智能的一个类别，能够在无需明确编程的情况下准确预测结果。在糖尿病的早期检测方面，许多研究采用了ML模型和技术，从分类和回归的角度进行探索。然而，ML模型也存在一些挑战，其中最显著的是特征选择和超参数优化。

特征选择的目标是从高维数据源中识别相关子集，排除无关特征，以提高学习算法的分类准确性。常见的特征选择策略有过滤、包装和嵌入式方法。超参数优化则是指为每个特定任务手动设置非可训练参数（即超参数），因为不存在最佳的超参数集，这些值需要针对每个任务单独确定。这两个挑战都属于非确定性多项式困难（NP - hard）问题，可以通过群体智能来解决。

极限学习机（ELM）在实际应用中面临两个主要挑战：确定隐藏层的最佳（或接近最佳）神经元数量，以及确定权重和偏置的初始值，因为这些对模型性能有很大影响。为了解决这些问题，本文提出了一种改进的沙猫群优化（SCSO）元启发式算法，用于特征选择和ELM模型调优，并在著名的糖尿病数据集上进行了验证，旨在改善糖尿病的早期预测。

本文的贡献如下：
- 提出了一种新颖的SCSO算法，通过混合技术克服了基本算法的弱点。
- 首次将SCSO应用于ELM超参数优化和特征选择。
- 通