بررسی روش های انتخاب ویژگی مبتنی بر الگوریتم های فراابتکاری: یک رویکرد مروری

یادگیری ماشین یکی از شاخه های کلیدی هوش مصنوعی می باشد که به الگوریتم ها توانایی یادگیری از داده ها و محیط ها را می دهد. یادگیری ماشین در حوزه های متعددی از جمله پردازش تصویر، پردازش زبان طبیعی، توسعه سیستم های پیشنهادگر، تشخیص های پزشکی و پیش بینی های مالی کاربردهای گسترده ای دارد. با این حال، بسیاری از مجموعه داده های دنیای واقعی شامل تعداد زیادی ویژگی هستند که برخی از این ویژگی ها ممکن است نامرتبط، تکراری یا حتی نویز باشند. این موضوع می تواند منجر به بروز چالش هایی برای الگوریتم های یادگیری ماشین شود که از جمله بارزترین آنها می توان به افزایش پیچیدگی محاسباتی، کاهش دقت مدل و بیش برازش اشاره کرد. انتخاب ویژگی یکی از راه حل های رفع این چالش ها می باشد که هدف اصلی آن شناسایی و انتخاب زیرمجموعه ای از ویژگی های مرتبط و موثر از داده های ورودی است تا مدل یادگیری ماشین بتواند با کارایی بالاتر و منابع محاسباتی کمتر، نتایج بهتری تولید کند. توسعه الگوریتم های نوین انتخاب ویژگی همچنان یکی از زمینه های تحقیقاتی فعال و مهم در حیطه یادگیری ماشین می باشد. از جمله مهترین روش های انتخاب ویژگی، روش های مبتنی بر الگوریتم های فراابتکاری می باشند که در آنها مساله انتخاب ویژگی به عنوان یک مساله بهینه سازی تعریف می گردد. در این روش ها، الگوریتم های فراابتکاری تلاش می کنند به واسطه قابلیت های اکتشاف و بهره برداری خود، دقت مدل یادگیری ماشین بکار گرفته شده را بیشینه کرده و در عین حال تعداد ویژگی های مجموعه داده را کمینه کنند. از اینرو، در این پژوهش این روش ها مورد کاوش قرار گرفته اند. سپس، روش های مورد کاوش از جنبه های مختلف از جمله مساله مورد نظر، مدل یادگیرنده، مجموعه داده های بکار گرفته شده، معیارهای ارزیابی و غیره با هم مقایسه شده اند. علاوه بر این، الگوریتم های مورد مطالعه خلاصه سازی شده و نقاط قوت و ضعف هر کدام مورد بحث قرار گرفته است.

کلیدواژه ها:

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