انتخاب زیر مجموعه ویژگی با استفاده از انحراف استاندارد متقابل در احساسات کاوی

پیچیدگی زمانی انتخاب بهینه زیرمجموعه ای از ویژگی ها برای مسئله طبقه بندی احساسات بر اساس تعداد ویژگی ها به طور تصاعدی افزایش می یابد. هدف این مقاله بهبود انتخاب زیرمجموعه ویژگی ها در فضای ویژگی با ابعاد بالا و بر اساس رویکرد فیلتر است . روشهای مبتنی بر فیلتر، ارتباط ویژگی ها را تنها با در نظر گرفتن ویژگی های دادهها ارزیابی می کنند. در بیشتر موارد، امتیاز ویژگی ها محاسبه می شود، سپس ویژگی های با امتیاز کم حذف می شوند. در واقع ، انتخاب یک زیر مجموعه ویژگی تنها در فضای ویژگی است در حالی که فضای فرضیه مدل نادیده گرفته می شود. برای حل این مشکل ، این مقاله یک روش مبتنی برفاصله جهت رتبه بندی ویژگی با در نظر گرفتن از معیار حداقل سازی فاصله درون کلاسی و حداکثرسازی فاصله بین کلاسها برای ارزیابی بین ویژگی ها معرفی شد. یک روش فیلتر مبتنی بر توزیع و پراکندگی ویژگی ها در فضای ویژگی به نام انحراف استاندارد متقابل پیشنهاد شد. طیف گستردهای از آزمایش های مقایسه ای روی دو مجموعه داده پرکاربرد، یعنی مجموعه داده بررسی فیلم و کتاب، در تحلیل احساسات انجام شد. نتایج نشان داد که روش رتبه بندی ویژگی پیشنهادی از نظر دقت از سایر روشهای پایه برتری دارد.

کلیدواژه ها:

انحراف استاندارد متقابل ، روش فیلتر ، انتخاب ویژگی ، تحلیل احساسات