انتخاب ویژگی موثر برای دسته بندها با تئوری مجموعه های ناهموار مبتنی بر الگوریتم ژنتیک فازی

انتخاب ویژگی یکی از فرآیندهای پردازش داده ها در مباحث مربوط به یادگیری ماشین و داده کاوی محسوب می شود. قبل از استخراج الگوها کاهش ابعاد و فرآیند انتخاب ویژگی در داده کاوی بسیار اهمیت دارد. یکی از روش های موثر در مسیر حل مسائل انتخاب ویژگی و مسائل مرتبط با آن، استفاده از روشهای بهینه سازی است، که برای انتخاب بهترین ویژگی و بالاترین دقت در دسته بند ها می باشند. رویکرد پیشنهادی این مقاله با استفاده از ترکیب الگوریتم ژنتیک و تئوری مجموعه های ناهموار، برای کاهش ابعاد ویژگی های مجموعه داده های ورودی می باشد. روش پیشنهادی علاوه بر استفاده از الگوریتم ژنتیک و تئوری مجموعه های ناهموار با افزودن دو نوع جستجوی دیگر به روند الگوریتم ژنتیک و بهبود آن می پردازد. نتایج شبیه سازی نشان می دهد، افزودن این جستجوی های جدید به الگوریتم پایه سبب خواهد شد تا الگوریتم بتواند محیط را دقیق تر جستجو کند و در دام بهینه محلی گرفتار نشود. نتایج الگوریتم پیشنهادی بر روی چهار مجموعه داده و سه روش ماشین بردار پشتیبان، پرسپترون چند لایه و درخت تصمیم از دسته بند ها مورد ارزیابی قرارگرفته است. روش پیشنهادی در برخی از مجموعه داده های انتخاب شده، عملکردی بهتر از سایر روش های مورد مقایسه داشته، و بین 0/6 تا 20 درصد نسبت به آنها بهبود داشته است.

کلیدواژه ها:

انتخاب ویژگی ، داده کاوی ، دسته بندی ، تئوری مجموعه های ناهموار ، الگوریتم ژنتیک فازی