APCNMI: یک معیار گروهی برای انتخاب ویژگی ترکیبی

انتخاب ویژگی یکی از وظایف کلیدی در علم داده است که به طور مستقیم بر کارایی و دقت الگوریتمهای یادگیری ماشین تاثیر می گذارد. بسیاری از روشهای موجود تنها از یک معیار همبستگی خطی یا غیرخطی استفاده میکنند و از این رو نمیتوانند وابستگیهای پیچیده میان ویژگیها را به خوبی شناسایی کنند. برای رفع این محدودیت ما با یکپارچه سازی قدر مطلق همبستگی پیرسون و اطلاعات متقابل نرمال شده یک معیار با عنوان APCNMI را پیشنهاد میکنیم که روابط خطی و غیرخطی بین ویژگیها را به صورت همزمان در نظر میگیرد. بر پایه این شاخص یک الگوریتم سه مرحله ای ترکیبی برای انتخاب ویژگی ارائه شده است. مرحله اول فیلترسازی ویژگیهای نامربوط، مرحله دوم خوشه بندی ویژگیهای تکراری با هدف کاهش فضای جست وجو مرحله سوم و در نهایت انتخاب زیر مجموعه ای کوچک و موثر از ویژگیها با استفاده از الگوریتم بهینه سازی ازدحام ذرات (PSO). نتایج آزمایشها بر روی شش مجموعه داده واقعی نشان میدهد که روش پیشنهادی ما در مقایسه با روشهای متکی بر یک معیار همبستگی ویژگیهای کم تعدادتر اما مفیدتری را انتخاب میکند و عملکرد طبقه بندی بهتری ارائه میدهد.

کلیدواژه ها:

انتخاب ویژگی ، ضریب همبستگی پیرسن ، پیرسون ، اطلاعات متقابل نرمال شده ، خوشه بندی ، شاخص انتخاب ویژگی ، یکپارچه ، APCNMI