یکمرور جامع بر روی روش های انتخاب ویژگی مبتنی بر الگوریتم های فراابتکاری

الگوریتم های یادگیری ماشینی جایگاه ویژه در کاربردهای دنیای واقعی امروزی دارند. این الگوریتم ها قادر هستند محاسبات پیچیده و زمانگیر را در زمان مناسب انجام داده و بسته به نوع مساله پاسخ های بهینه را تولید کنند. این الگوریتم ها در شاخه های مختلفی از علوم از جمله تشخیص بیماری، تخمین هزینه، طبقه بندی، تشخیص نفوذ، پردازش تصاویر و بسیاری دیگر کاربرد دارند. با اینحال، کارایی این الگوریتم ها وابستگی زیادی به داده های آموزشی داده شده به آنها دارد. همچنین، پیشرفت تکنولوژی و ابزارهای جمع آوری اطلاعات منجر به ظهور مجموعه داده های جدید با ابعاد بزرگ شده است که کارایی الگوریتم های یادگیری ماشینی را تحت شعاع قرار می دهد. با افزایش ابعاد مجموعه داده ها، زمان آموزش مدل های یادگیری افزایش یافته و به دلیل وجود ویژگی های غیر مرتبط و زائد در مجموعه داده ها، دقت آنها کاهش می یابد. یکی از تکنیک های پیش پردازش داده ها در الگوریتم های یادگیری ماشینی انتخاب ویژگی است که به واسطه آن ویژگی های غیر مرتبط و زائد از مجموعه داده حذف می شود. با حذف ویژگی های غیر مرتبط، عالوه بر کاهش زمان یادگیری مدل ها، دقت مدل ها نیز افزایش می یابد زیرا که مدل بر روی ویژگی ها مهم و تاثیر گذار تمرکز می کند. در سال های گذشته روش های مختلفی برای انتخاب ویژگی ارائه شده است که از مهمترین آنها به روش های مبتنی بر الگوریتم های فراابتکاری اشاره کرد. این روش ها با در نظر گرفتن مساله مورد نظر و تابع هدف آن ویژگی های تاثیر گذار مجموعه داده را مشخص می کنند. از اینرو، این مقاله جدیدترین الگوریتم های انتخاب ویژگی مبتنی بر الگوریتم های فراابتکاری را مورد مطالعه قرار داده و در کنار خالصه سازی آنها را از جنبه های مختلف مقایسه می کند.

کلیدواژه ها:

یادگیری ماشین ، انتخاب ویژگی ، بهینه سازی ، الگوریتم های فراابتکاری