Using Permutation-Based Feature Importance for Improved Machine Learning Model Performance at Reduced Costs
Hyväksytty
Luokittelutiedot
OKM-julkaisutyyppi
A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä (vertaisarvioitu)
Julkaisun muoto
Artikkeli
Kohderyhmä
Tieteellinen
Vertaisarvioitu
Vertaisarvioitu
Artikkelityyppi
Alkuperäisartikkeli
Emojulkaisun tyyppi
Lehti
Julkaisukanavan tiedot
Lehden/sarjan nimi
IEEE access
ISSN-E (elektroninen)
2169-3536
ISSN-L (linking)
2169-3536
Kustantaja
IEEE
Julkaisun JUFO ID
78297
Julkaisun JUFO-taso
1
Julkaisu on FT-listalla
Ei
Julkaisun SNIP-taso
1.5
Julkaisumaa
Yhdysvallat (USA)
Kansainvälisyys
Kyllä
Julkaisun tarkemmat tiedot
Julkaisuvuosi
2025
Ilmoitusvuosi
2025
Lehden/sarjan volyymi
13
Sivunumerot
36421-36435
DOI
10.1109/ACCESS.2025.3544625
Julkaisukieli
englanti
Yhteisjulkaisutiedot
Kansainvälinen yhteisjulkaisu
Kyllä
Yhteisjulkaisu yrityksen kanssa
Ei
Saatavuustiedot
Verkkojulkaisun linkki
Linkki rinnakkaistallenteeseen
Luokitukset ja lisätiedot
OKM-tieteenalaluokitus
213 Sähkö-, automaatio- ja tietoliikennetekniikka, elektroniikka
Avainsanat
Computational modeling; Feature extraction; Accuracy; Computational efficiency; Predictive models; Optimization; Support vector machines; Random forests; Radio frequency; Decision trees; Model-agnostic techniques; permutation feature importance (PFI); software fault prediction (SFP); predictive accuracy; machine learning (ML); computational cost; default settings; hyperparameter
Rahoittajatiedot
Rahoitustiedot julkaisussa
The authors gratefully acknowledge the support provided by their affiliated Universities and Research Institutes to complete to this study.
Lähdetietokantojen tunnukset
WoS -tunniste
WOS:001435462200028
Scopus -tunniste
2-s2.0-85218874952