Two new feature selection methods based on learn-heuristic techniques for breast cancer prediction: A comprehensive analysis

乳腺癌由于其未知的原因不可预防。然而，早期诊断可以增加患者的康复机会。机器学习（ML）可以在减少成本和时间的同时提高医疗保健运营中的治疗效果。在这项研究中，我们提出了两种基于帝国竞争算法（ICA）和蝙蝠算法（BA）的新颖特征选择（FS）方法，并将它们与ML算法相结合。本研究旨在提高诊断模型的效率，并提供全面的分析，以帮助临床医生比以往更精确、更可靠地做出决策。K最近邻、支持向量机、决策树、朴素贝叶斯、AdaBoost、线性判别分析、随机森林、逻辑回归和人工神经网络是一些采用的方法。本文采用了基于ICA（WFSIC）和BA（WFSB）的包装器特征选择的独特集成评估措施和ML算法。我们比较了两种提出的分类器的性能。此外，我们将我们最好的诊断模型与文献调查中以前的工作进行了比较。实验是在威斯康星州诊断乳腺癌数据集上进行的。结果显示，使用BA的提出的框架具有99.12\%的准确度，优于使用ICA和大多数以前的工作的框架。此外，基于BA的FS方法中的RF分类器是最佳模型，并在其标准方面优于其他模型。此外，结果说明了我们的技术在将数据集维度减少90\%并将诊断模型的性能提高超过99\%方面的作用。此外，结果表明，大多数ML模型选择的最佳数据集之外还有更重要的特征。

本论文旨在利用机器学习算法和特征选择方法提高乳腺癌的诊断准确性，从而改善患者的治疗效果。

论文提出了两种基于帝国竞争算法（ICA）和蝙蝠算法（BA）的特征选择方法，并将它们与多种机器学习算法相结合，以提高诊断模型的效率和准确性。

论文使用了Wisconsin乳腺癌诊断数据集进行实验，比较了两种特征选择方法的性能，以及与先前研究的比较。结果表明，使用BA的方法的准确率达到了99.12％，优于使用ICA的方法和先前的研究。此外，论文还发现，使用BA的方法中的随机森林分类器表现最佳。

在相关研究方面，最近的研究包括“基于深度学习的乳腺癌诊断”，“支持向量机在乳腺癌诊断中的应用”等。