ارائه یک الگوریتم بهبود یافته گرگ خاکستری برای بهبود نتایج طبقه بندی داده های واقعی

هرگونه مشخصه منحصر بفرد از یک رخداد در یک پایگاه داده را ویژگی گویند. تعداد ویژگی ها در پایگاه های داده روز به روز در حال افزایش است. افزایش تعداد ویژگی ها سبب شده است که راندمان روش های مبتنی بر یادگیری ماشین و داده کاوی دچار چالش شود. یک راه کار موثر استفاده از روش های انتخاب ویژگی در کاهش ابعاد داده ها است. انتخاب یک زیرمجموعه از ویژگی های موجود در یک پایگاه داده، باید به گونه ای صورت پذیرد که راندمان فرایندهای داده کاوی مثل طبقه بندی بهبود یابد. از این رو به مسئله انتخاب ویژگی، به دید یک مسئله بهینه سازی نگاه می شود. اگرچه روش های متعددی به منظور حل مسائل بهینه سازی ارائه شده است، اما الگوریتم های بهینه سازی فرا اکتشافی به دلیل سادگی محاسباتی، قابلیت تطابق با حل مسائل مختلف بیشتر مورد توجه قرار گرفته اند. علی رغم موفقیت این الگوریتم ها در حل مسائل بهینه سازی، چالش هایی مثل عدم همگرایی و قرار گیری در حداقل های محلی سبب شده است راهکارهایی جهت بهبود الگوریتم های بهینه سازی ارائه شود. الگوریتم بهینه ساز گرگ خاکستری یک الگوریتم قابل اعتماد در انتخاب ویژگی است، با این حال به دلیل قرار گیری در حدقل های محلی، انتخاب زیر مجموعه بهینه از ویژگی ها، مخصوصا در پایگاه داده با کاربرد واقعی، نمی تواند راندمان خوبی در طبقه بندی داشته باشد. در این مقاله با در نظر گرفتن ملزومات یک پایگاه داده واقعی، یک راه کار هوشمندانه برای بهبود عملکرد الگوریتم گرگ خاکستری با رویکرد انتخاب ویژگی ارائه شده است. روش پیشنهادی برای انتخاب ویژگی روی پایگاه داده واقعی بیماری های قلب جنین شبیه سازی شده است. نتایج ارزیابی در معیارهای دقت، صحت، حساسایت، نرخ شناسایی و معیار F نشان از برتری روش پیشنهادی در کاربردهای عملی دارد

کلیدواژه ها:

داده کاوی ، انتخاب ویژگی ، الگوریتم بهینه سازی ، پایگاه داده واقعی ، الگوریتم گرگ خاکستری