یک رویکرد جدید برای انتخاب ویژگی با استفاده از الگوریتم جستجوی رقابتی دودویی

انتخاب ویژگی یک مسئله بهینه سازی تر کیبی در مسائل طبقه بندی است. معمولا مجموعه داده ها حاوی برخی از ویژ گی های نامربوط یا غیرضروری هستند که ممکن است بر دقت طبقه بندی و زمان پردازش داده ها تاثیر منفی بگذارند. این اثرات منفی با استفاده از انتخاب ویژگی به حداقل می رسد. برای حل مسئله انتخاب ویژگی توسط روش های قطعی اغلب به برخی اطلاعات گرادیان و جزئیات توپوگرافی فضای ویژگی برای محاسبه راه حل های بهتر نیاز است. اما الگوریتم های فراابتکاری، ساده، انعطاف پذیر، آسان برای پیاده سازی هستند و نیازی به محاسبه گرادیان ندارند. در این مقاله، یک روش جدید برای انتخاب ویژگی با استفاده از الگوریتم جستجوی رقابتی دودویی پیشنهاد شده است. طبقه بندی نمونه ها با استفاده از الگوریتم K نزدیکترین همسایه انجام شده است.الگوریتم جستجوی رقابتی ازهمبستگی بین ویژگی ها برای هدایت جستجوی جمعیت استفاده می کند، در نتیجه احتمال اجتناب از بهینه محلی و هدایت جمعیت به سمت تکامل بهتر را افزایش می دهد. این الگوریتم استراتژی جستجو را براساس حالت تکرار فعلی تا یافتن راه حل بهینه ادامه می دهد. ارزیابی روش پیشنهادی برروی چهار مجموعه داده استاندارد UCI نشان می دهد که درصد صحت روش پیشنهادی در مقایسه با الگوریتم بهینه سازی اجتماع ذرات و الگوریتم ژنتیک بیشتر است. روش پیشنهادی با تعداد ویژگی های کمتر، بیشترین درصد صحت را کسب کرده است.

کلیدواژه ها:

انتخاب ویژگی ، طبقه بندی ، الگوریتم جستجوی رقابتی ، الگوریتم K نزدیکترین همسایه