انتخاب ویژگی چندبرچسبی با استفاده از الگوریتم بهینه ساز جمعیت رقابتی

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 107

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JSCIT-9-4_005

تاریخ نمایه سازی: 25 مهر 1403

چکیده مقاله:

انتخاب ویژگی یکی از اساسی ترین مراحل پیش پردازش داده ها در یادگیری ماشین است که با کاهش ابعاد در مجموعه داده ها باعث صرفه جویی در منابع و افزایش سرعت محاسبات می شود. همچنین، انتخاب ویژگی می تواند با حذف ویژگی های غیرمرتبط و افزونه باعث افزایش دقت و کارایی الگوریتم های یادگیری ماشین شود. در این مقاله، یک روش جدید تعبیه شده برای انتخاب ویژگی چندبرچسبی پیشنهاد شده است که در آن، مساله انتخاب ویژگی چندبرچسبی برای اولین بار با استفاده از الگوریتم بهینه ساز جمعیت رقابتی حل خواهد شد. در روش پیشنهادی، ابتدا جمعیتی از ذرات ساخته می شود، سپس ذرات به دو دسته مساوی تقسیم شده و به صورت جفت با هم رقابت می کنند، ذرات برنده به تکرار بعد منتقل شده و ذرات بازنده از برنده ها یاد می گیرند، و در انتهای هر تکرار تابع هدف برای همه ذرات محاسبه می شود. این فرایند تا پیدا شدن یک ذره نزدیک به بهینه (که در اینجا ذره ای است که کمترین مقدار ضرر را دارد)، ادامه پیدا می کند. در این روش برای افزایش سرعت همگرایی، نیمی از جمعیت اولیه با استفاده از یک معیار شباهت ساخته می شود و همچنین از یک جستجوگر محلی برای کشف خاصیت محلی داده ها استفاده می شود. در انتها، بر اساس بهترین ذره، فرآیند انتخاب ویژگی انجام می شود. نتایج پیاده سازی روش پیشنهادی و مقایسه آن با نتایج سایر الگوریتم های انتخاب ویژگی چند برچسبی نمایانگر کارایی مناسب الگوریتم پشنهادی است.

کلیدواژه ها:

نویسندگان

Hamid Bayati

دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه لرستان، خرم آباد، ایران.

Mohammad Bagher Dowlatshahi

دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه لرستان، خرم آباد، ایران.

Mohsen Paniri

دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه لرستان، خرم آباد، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • S. Feng and M. F. Duarte, “Graph autoencoder-based unsupervised feature ...
  • E. Elhamifar and R. Vidal, “Sparse subspace clustering: Algorithm, theory, ...
  • N. Zhou, Y. Xu, H. Cheng, J. Fang, and W. ...
  • M. B. Dowlatshahi and H. Nezamabadi-Pour, “GGSA: A Grouping Gravitational ...
  • S. Kashef, H. Nezamabadi-pour, and B. Nikpour, “Multilabel feature selection: ...
  • L. Du and Y. D. Shen, “Unsupervised feature selection with ...
  • R. Sheikhpour, M. A. Sarram, S. Gharaghani, and M. A. ...
  • J. Luo, L. Jiao, F. Liu, S. Yang, and W. ...
  • N. Spolaôr, E. A. Cherman, M. C. Monard, and H. ...
  • A. Hashemi and M. B. Dowlatshahi, “MLCR: A Fast Multi-label ...
  • M. B. Dowlatshahi, V. Derhami, and H. Nezamabadi-pour, “A Novel ...
  • M. Paniri, M. B. Dowlatshahi, and H. Nezamabadi-pour, “MLACO: A ...
  • S. Tabakhi, P. Moradi, and F. Akhlaghian, “An unsupervised feature ...
  • S. Wang, J. Tang, and H. Liu, “Embedded unsupervised feature ...
  • M. B. Dowlatshahi, V. Derhami, and H. Nezamabadi-pour, “Ensemble of ...
  • M. B. Dowlatshahi, V. Derhami, and H. Nezamabadi-Pour, “Fuzzy particle ...
  • M. B. Dowlatshahi and V. Derhami, “Winner Determination in Combinatorial ...
  • M. B. Dowlatshahi and M. Rezaeian, “Training spiking neurons with ...
  • Dowlatshahi, M., Derhami, V., Nezamabadi-pour, H. “Gravitational Locally Informed Particle ...
  • E. G. Talbi, Metaheuristics: From Design to Implementation. ۲۰۰۹ ...
  • H. Bayati, M. B. Dowlatshahi, and M. Paniri, “MLPSO: A ...
  • R. Cheng and Y. Jin, “A competitive swarm optimizer for ...
  • J. Lee and D. W. Kim, “Feature selection for multi-label ...
  • O. Reyes, C. Morell, and S. Ventura, “Scalable extensions of ...
  • Y. Yu, Y. Yu, and Y. L. Wang, “Feature selection ...
  • R. Huang, W. Jiang, and G. Sun, “Manifold-based constraint Laplacian ...
  • W. Chen, J. Yan, B. Zhang, Z. Chen, and Q. ...
  • P. Zhang, G. Liu, and W. Gao, “Distinguishing two types ...
  • A. Hashemi, M. B. Dowlatshahi, and H. Nezamabadi-pour, “MGFS: A ...
  • J. Kennedy and R. Eberhart, “Particle Swarm Optimization,” pp. ۱۹۴۲–۱۹۴۸, ...
  • F. Charte and D. Charte, “Working with multilabel datasets in ...
  • M. L. Zhang and Z. H. Zhou, “ML-KNN: A lazy ...
  • D. Sheskin, “Handbook of parametric and nonparametric statistical procedures, ۲۰۰۳ ...
  • نمایش کامل مراجع