انتخاب ویژگی در الگوریتم های یادگیری ماشین برای تشخیص نارسایی قلبی بااستفاده از الگوریتم ژنتیک تطبیقی

مساله انتخاب ویژگی، یکی از مسائل مهم و کاربرد یدر یادگیری ماشین است. برای آموزش الگوریتم های کلاس بندی، به یک مجموعه داده مورد نیاز است که شامل نمونه هایی است که از تعدادی ویژگی های تشکیل شده است و هر نمونه دارای یک برچسبی است که به عنوان کلاس آن نمونه شناخته می شود. برای آن که مدل خوب آموزش ببیند باید تعداد مناسبی نمونه موجود باشد. در بیشتر مسائل اکثر ویژگی های نمونه ها زائد بوده و در عملکرد مدل تاثیر بدی دارد. بنابراین شناسایی ویژگی های خوب و تاثیرگذار در دقت کلاس بندی یکامر مهم در یادگیری ماشین می باشد. این کار توسط الگوریتم های انتخاب ویژگی انجام می شود. هدف اصلی انتخاب ویژگی، کاهش تعداد ویژگی های مجموعه و انتخاب ویژگی های مهم و تاثیرگذار در دقت کلاس بندی است. بطوری که مدل با کمترین تعداد ویژگی بیشترین دقت کلاس بندی را داشته باشد. طبق تعریف بالا از انتخاب ویژگی می توان نتیجه گرفت که مساله انتخاب ویژگی یک مساله بهینه سازی است. بنابراین می توان آن را بصورت یک مساله بهینه سازی مدلسازی کرد و آن را با الگوریتم های بهینه سازی حل کرد. انواع مختلفی از الگوریتم های بهینه سازی حل کرد. انواع مختلفی از الگوریتم های بهینه سازی موجود است. یکی از مهم ترین و پرکاربردترین الگوریتم ها در این حوزه الگوریتم ژنتیک است. کارایی الگوریتم ژنتیک تا حد زیادی به نرخ جهش و باز ترکیبی وابسته است به همین دلیل در این مقاله یک روش جدید برای تخمین این نرخ ها بکار گرفته شده است. عملکرد روش پیشنهادی بر روی مجموعه داده های منتشر شده از UCI ارزیابی شد و نتایج حاصل نشان دهنده کارایی الگوریتم های یادگیری ماشین است.

کلیدواژه ها:

انتخاب ویژگی ، یادگیری ماشین ، الگوریتم های بهینه سازی ، الگوریتم ژنتیک