مقایسه و ارزیاتی الگوریتم های بهینه سازی انتخاب ویژگی جهت کاهش بعد داده در داده های حجیم

امروزه توسعه سریع فناوری اطلاعات در حوزه های مختلف مانند یادگیری ماشین و شناسایی الگو، منجر به تولید روزافزون داده های با ابعاد بالا می شود. این داده ها دارای ویژگی های زیادی هستند که تنها تعدادی از آنها به هدف اصلی وابسته می باشند. هدف انتخاب ویژگی، یافتن این ویژگی ها و حذف ویژگی های غیر ضروری و بی اهمیت، به منظور کاهش پیچدگی های محاسباتی بهبود طبقه بندی و همچنین سرعت یادگیری است. مسئله انتخاب یک زیرمجموعه ویژگی بهینه از یک مجموعه ویژگی، دارای پیچیدگی زمانی نمایی است. از این رو جستجوی جامع برای پیدا کردن زیرمجموعه ویژگی بهینه به لحاظ هزینه محاسباتی غیر ممکن است. بنابراین انتخاب ویژگی تبدیل به یکی از موضوعات مهم در یادگیری ماشین و شناسایی الگو شده است. هدف اصلی این مقاله مرور تخصصی، معرفی و تحلیل این تکنیک ها است. در این تحقیق هفت الگوریتم بهینه سازی تکامل که در اکثر مقالات علمی از آنها استفاده می شود. معرفی و مورد تحلیل، بررسی و مقایسه قرار گرفته اند. نتایج این تحقیق می تواند برای پژوهش های کاربردی که نیازمند کاهش حجم محاسبات در کار با داده های حجیم هستند بسیار سودمند باشد.

کلیدواژه ها:

استخراج ویژگی ، انتخاب ویژگی ، الگوریتم های بهینه سازی تکاملی