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
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
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 :