یک رویکرد نوین مبتنی بر یادگیری عمیق برای انتخاب ویژگی و کاهش داده جهت بهبود طبقه بندی در مجموعه داده های نامتوازن

در پاسخ به چالشهای ناشی از وجود ویژگیهای زائد و دادههای نامتوازن در مسائل طبقه بندی این پژوهش یک روش ترکیبی نوین مبتنی بر خوشه بندی فازی (FCM) و شبکه عصبی خود رمز نگار برای انتخاب ویژگی ارائه میدهد. هدف از این روش کاهش ابعاد داده و افزایش دقت مدلهای یادگیری ماشین از طریق حذف ویژگیهای غیر ضروری و استخراج ویژگیهای کلیدی است. در مرحله نخست، دادهها با استفاده از الگوریتم FCM خوشه بندی میشوند و سپس ویژگیهای مرتبط با هر خوشه استخراج میگردد. در ادامه شبکه خود رمز نگار برای فشرده سازی دادهها و شناسایی الگوهای پنهان به کار گرفته میشود تا ویژگیهای موثر حفظ و سایر ویژگیها حذف شوند. روش پیشنهادی بر روی پایگاههای داده استاندارد ارزیابی شده و با مدلهای مختلف یادگیری ماشین شامل NB، KNN، DT، RF، MLP، SVM، LR مقایسه شده است. نتایج نشان میدهد که پس از اعمال انتخاب ویژگی شاخصهای ارزیابی مانند دقت، حساسیت و AUC به طور قابل توجهی بهبود یافته اند. همچنین مقایسه با روشهای مرجع مانند MOGA، PSO و روشهای مبتنی بر همبستگی حاکی از برتری روش پیشنهادی در کاهش پیچیدگی و افزایش تعادل در دادههای نامتوازن است. این یافتهها نشان میدهد که ادغام خوشه بندی فازی و یادگیری عمیق میتواند راهکاری موثر برای بهینه سازی انتخاب ویژگی و بهبود عملکرد طبقه بندی باشد.

کلیدواژه ها:

انتخاب ، ویژگی ، یادگیری ماشین ، دادههای نامتوازن ، خوشه بندی فازی ، خود رمز نگار ، طبقه بندی ، شبکه های عصبی ، الگوریتمهای بهینه سازی