بهینه سازی ترکیبی جهت کاهش ابعاد داده های متنی مبتنی بر هوش تجاری و داده های حجیم

با پیشرفت سریع فناوری های مدرن، برنامه های عظیم کامپیوتری و اینترنتی جدید، حجم زیادی از داده ها با سرعتی بی سابقه تولید شده اند. اینداده ها اغلب دارای ویژگی هایی با ابعاد بالا هستند که چالش های زیادی را برای تجزیه و تحلیل داده ها و تصمیم گیری برای محققان و مهندسان در زمینه های یادگیری ماشین و داده کاوی ایجاد میکنند. انتخاب ویژگی، راه موثری برای حل این مشکل با حذف داده های نامربوط و زائد فراهم میکند که میتواند زمان محاسبات را کاهش دهد، دقت یادگیری را بهبود بخشد و درک بهتر مدل یا داده های یادگیری را تسهیل کند. هدف انتخاب ویژگی، ساخت طبقه بندی کننده بهتر با فهرست کردن ویژگی های مهم است که به کاهش اضافه بار محاسباتی نیز کمک میکند. در این پژوهش یک روش سه مرحله ای برای کاهش ابعاد ویژگیها ارائه شده است. ابتدا با استفاده از فیلترهای رتبه بند ویژگی های زائد حذف میشوند و سپس از یک الگوریتم تکاملی برای انتخاب ویژگیهای مفید استفاده میشود. روش پیشنهادی میتواند به طور قابل توجهی ابعاد فضای ویژگی را کاهش دهد و دقت طبقه بندی را بهبود بخشد.

کلیدواژه ها:

تجزیه و تحلیل داده ، داده کاوی ، انتخاب ویژگی ، فیلترهای رتبه بند ، الگوریتم تکاملی