يك الگوريتم تكاملي انتخاب ويژگي براي بهبود دقت رده‌بندي در مجموعه داده‌هاي با ابعاد بالا

كارشناسي ‌ارشد

چكيده انتخاب ويژگي نقش مهمي را در بهبود و تقويت عملكرد الگوريتم‌هاي يادگيري ماشين ايفا مي‌كند. و زمان لازم براي ايجاد مدل يادگيري را كاهش و همچنين دقت فرآيند يادگيري را افزايش مي‌دهد. شناسايي روش انتخاب ويژگي مناسب براي كارهاي مربوط به يادگيري ماشين كه داراي داده‌هاي با ابعاد بالا هستند بسيار با اهميت مي‌باشد. داده‌هاي با ابعاد بالا حاوي ويژگي‌هاي نامناسب و افزونه هستند يعني ويژگي‌هايي كه اطلاعات مفيدي را فراهم نكرده و نمي‌توانند در فرآيند يادگيري شركت كنند و نيز حاوي اطلاعات تكراري و مشابه هستند و نسبت به ويژگي‌هاي انتخاب شده فعلي اطلاعات بيشتري را فراهم نمي‌كنند، موجب گمراهي و هدايت نادرست فرآيند يادگيري مي‌شوند. انتخاب ويژگي، تكنيك كاهش ابعاد از طريق حذف تعدادي از ويژگي‌ها است. در اين پايان‌نامه يك روش انتخاب‌ ويژگي جديد به‌نام Hybrid Evolutionary Feature Selection را براي فضاي جستجوي با ابعاد بالا و با رويكرد مبتني بر الگوريتم ژنتيك ارائه مي‌دهيم. سيستم پيشنهادي قادر است تا تعداد ويژگي‌ها را براي استفاده در مرحله رده‌بندي كاهش دهد و به دو بخش اصلي تقسيم مي‌گردد. اولين بخش يك روش رتبه‌بندي ويژگي را براي كاهش تعداد ويژگي‌ها به‌كار مي‌گيرد و بخش بعدي از يك راهبرد جستجوي مبتني بر الگوريتم ژنتيك به‌عنوان روش پوششي، براي يافتن يك زيرمجموعه از ويژگي‌ها با قدرت تمايز بالا، استفاده مي‌نمايد. در بخش دوم به‌دليل استفاده از شيوه پوششي نياز به يك رده‌بند به‌عنوان تابع برازندگي داريم كه رده‌بند نزديك‌ترين همسايه مجاور انتخاب گرديد و از اين‌رو شيوه جديدي نيز براي يافتن بهترين مقدار پارامتر "كا" جهت اين رده‌بند، ارائه شده و همچنين معيار ارزشيابي جديدي به‌نام "اهميت نسبي" را براي رسيدن به ويژگي‌هاي مفيدتر در كنار معيار دقت، معرفي و استفاده مي‌كنيم. در پايان براي نشان دادن اثربخشي اين سيستم، آزمايش‌هايي با ساير الگوريتم‌هاي تكاملي انجام و نتايج به‌دست آمده از آنها با الگوريتم پيشنهادي، مورد مقايسه قرار گرفتند. واژه‌هاي كليدي: انتخاب ويژگي تكاملي، الگوريتم ژنتيك، رده‌بندي، انتخاب ويژگي در مجموعه‌هاي دادهاي با ابعاد بالا

191440

دانشگاه علم و صنعت ايران

هوش مصنوعي و رباتيك

دكتر امين نيك انجام