امروزه با ظهور و گسترش دادههای بعد بالا، روند انتخاب ویژگی نقش بسیار مهمی را در زمینه یادگیری ماشینی و به خصوص مسایل طبقهبندی داده، بازی ميکند. کار بر روی دادههای با بعد بالا از جمله دادههای میکروآرایهای با مشکلاتی همچون وجود ویژگیهای نامرتبط و افزونه بسیار روبه چکیده کامل
امروزه با ظهور و گسترش دادههای بعد بالا، روند انتخاب ویژگی نقش بسیار مهمی را در زمینه یادگیری ماشینی و به خصوص مسایل طبقهبندی داده، بازی ميکند. کار بر روی دادههای با بعد بالا از جمله دادههای میکروآرایهای با مشکلاتی همچون وجود ویژگیهای نامرتبط و افزونه بسیار روبهرو است که باعث کاهش نرخ صحت طبقهبند، افزایش هزینه محاسباتی و معضل "نفرین بعد" میشود. در این مقاله به ارائه یک روش ترکیبی با استفاده از رویکردهای خرد جمعی برای انتخاب ویژگی در دادههای با بعد بالا پرداخته میشود. در روش پیشنهادی، ابتدا در مرحله اول از یک روش فیلتری برای کاهش بعد داده استفاده میشود، سپس در مرحله دوم، دو الگوریتم روزآمد پیچشی با استفاده از رویکرد خرد جمعی بر روی ویژگیهای کاهشیافته اعمال شده و نتیجه تجمیع میگردد. روش پیشنهادی بر روی 8 پایگاه داده میکروآرایهای مورد ارزیابی قرار گرفته و مقایسه نتایج با چندین روش روزآمد و شناختهشده در حوزه انتخاب ویژگی، کارایی روش پیشنهادی را تأیید میکند.
پرونده مقاله
رایمگ
سامانه رایمگ تمامی فرآیندهای دریافت، ارزیابی و داوری، ویراستاری، صفحهآرایی و انتشار الکترونیکی نشریات علمی را به انجام میرساند