A fuzzy adaptive evolutionary-based feature selection and machine learning framework for single and multi-objective body fat prediction

Technische Samenvatting: Een Fuzzy Adaptief Evolutionair Gebaseerd Feature Selectie en Machine Learning Framework voor het Voorspellen van Lichaamsvet

Probleemstelling
Het voorspellen van het percentage lichaamsvet is cruciaal voor de preventie en diagnose van hartziekten. Hoewel hybride machine learning-modellen over het algemeen beter presteren dan eenvoudige regressie door relevante lichaamsmetingen te selecteren en complexe niet-lineaire relaties te vatten, kampen zij met aanzienlijke uitdagingen. Specifiek hebben huidige benaderingen vaak moeite met combinatorische optimalisatieproblemen, waarbij ze regelmatig vastlopen in lokale optima. Dit probleem wordt verergerd wanneer meerdere feature-subsets vergelijkbare of nauw aansluitende voorspellingsnauwkeurigheden opleveren, wat het moeilijk maakt om de optimale oplossing te onderscheiden. Bovendien blijft het beheer van de afwegingen tussen exploratie en exploitatie, parametrisering en computationele kosten een hindernis in bestaande evolutionaire feature selectiemethoden.

Methodologie
Het artikel stelt een nieuw framework voor dat evolutionaire feature selectie, fuzzy set theorie en machine learning-algoritmen integreert om deze beperkingen aan te pakken. De kern van de methodologie is het FAGLSUD-gebaseerde FS-ML (Fuzzy Adaptive Global Learning Local Search Universal Diversity-based Feature Selection) framework.

• Fuzzy Adaptief Mechanisme: Fuzzy set theorie wordt ingezet om dynamisch geschikte niveaus van exploratie en exploitatie te bepalen. Deze aanpak beheert de parametrisering en vermindert de computationele kosten, waardoor het systeem adaptief door de zoekruimte kan navigeren.
• Single-Objective Benadering: De studie onderzoekt eerst een gewogen som-benadering waarbij tegenstrijdige metrieken worden geïntegreerd in één enkel samengesteld doel. Dit wordt geoptimaliseerd met behulp van de fuzzy adaptieve evolutionaire feature selectie om de meest nauwkeurige feature-subset te vinden.
• Multi-Objective Benadering: In het besef van de conflicten tussen nauwkeurigheid, stabiliteit en dimensionaliteit, stellen de auteurs een Multi-Objective FAGLSUD-gebaseerde FS-MLP voor. Dit model reduceert de doelstellingen niet tot één enkele score, maar genereert in plaats daarvan een goed verdeelde Pareto-set van trade-off oplossingen. Dit maakt gelijktijdige analyse van nauwkeurigheid, stabiliteit en het aantal gebruikte features mogelijk.

Belangrijkste Bijdragen

1. Ontwikkeling van een Hybride Framework: De introductie van het FAGLSUD-gebaseerde FS-ML framework, dat uniek globale leerprocessen, lokale zoekstrategieën en universele diversiteitsstrategieën combineert binnen een fuzzy adaptieve evolutionaire context.
2. Dual-Objective Optimalisatie: De formulering van lichaamsvetvoorspelling als zowel een single-objective als een multi-objective combinatorisch optimalisatieprobleem, waarbij specifiek wordt ingegaan op de moeilijkheid om lokale optima te vermijden wanneer feature-subsets vergelijkbare voorspellingen genereren.
3. Beslissingsondersteuningstool: De generatie van een Pareto-set van trade-off oplossingen in het multi-objective model, wat medische professionals en gebruikers een reeks geïnformeerde opties biedt in plaats van één enkele gedwongen keuze.

Resultaten
De voorgestelde modellen werden geëvalueerd tegen andere hybride en state-of-the-art machine learning-modellen. De resultaten geven aan dat het FAGLSUD-gebaseerde FS-ML model nauwkeurigere en stabielere schattingen van het lichaamsvetpercentage bereikte, terwijl het minder features gebruikte. De multi-objective variant demonstreerde succesvol het vermogen om de conflicten tussen voorspellingsnauwkeurigheid, modelstabiliteit en feature-dimensionaliteit te navigeren, en bood een divers scala aan optimale oplossingen.

Betekenis
Het artikel beweert dat dit framework een robuuste oplossing biedt voor de voorspelling van lichaamsvet, waardoor medische professionals en gebruikers geïnformeerde beslissingen kunnen nemen over vetafzettingen in vitale lichaamsdelen en bloedlipidenniveaus. Door een goed verdeelde set van trade-off oplossingen te bieden, faciliteert de multi-objective benadering een genuanceerder begrip van de relatie tussen lichaamsmetingen en gezondheidsresultaten. De studie benadrukt dat het bereiken van een hogere nauwkeurigheid met gereduceerde feature-sets niet alleen de efficiëntie van het model verbetert, maar ook de interpreteerbaarheid en praktische bruikbaarheid van de voorspellingen in een medische context vergroot.