Categorical Model Estimation with Feature Selection Using an Ant Colony Optimization

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F25%3A00640443" target="_blank" >RIV/67985556:_____/25:00640443 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21260/25:00385920

Výsledek na webu

<a href="http://dx.doi.org/10.5220/0013705300003982" target="_blank" >http://dx.doi.org/10.5220/0013705300003982</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.5220/0013705300003982" target="_blank" >10.5220/0013705300003982</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Categorical Model Estimation with Feature Selection Using an Ant Colony Optimization

Popis výsledku v původním jazyce

This paper deals with the analysis of high-dimensional discrete data values from questionnaires, with the aim of identifying explanatory variables that influence a target variable. We propose a hybrid algorithm that combines categorical model estimation with an ant colony optimization scheme for feature selection. The main contributions are: (i) the efficient selection of the most significant explanatory variables, and (ii) the estimation of a categorical model with reduced dimensionality. Experimental results and comparisons with well-known algorithms (e.g., random forest, categorical boosting, k-nearest neighbors) and feature selection techniques are presented.

Název v anglickém jazyce

Categorical Model Estimation with Feature Selection Using an Ant Colony Optimization

Popis výsledku anglicky

This paper deals with the analysis of high-dimensional discrete data values from questionnaires, with the aim of identifying explanatory variables that influence a target variable. We propose a hybrid algorithm that combines categorical model estimation with an ant colony optimization scheme for feature selection. The main contributions are: (i) the efficient selection of the most significant explanatory variables, and (ii) the estimation of a categorical model with reduced dimensionality. Experimental results and comparisons with well-known algorithms (e.g., random forest, categorical boosting, k-nearest neighbors) and feature selection techniques are presented.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10103 - Statistics and probability

Projekt

<a href="/cs/project/9A22004" target="_blank" >9A22004: Acoustic sensor solutions integrated with digital technologies as key enablers for emerging applications fostering society 5.0</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 22nd International Conference on Informatics in Control, Automation and Robotics - ICINCO 2025

ISBN

978-989-758-770-2

ISSN

2184-2809

e-ISSN

—

Počet stran výsledku

8

Strana od-do

219-226

Název nakladatele

SciTePress

Místo vydání

Setubal

Místo konání akce

Marbella

Datum konání akce

20. 10. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—