مروری بر الگوریتمهای متاهیوریستیک نوین و رویکردهای ترکیبی در بهینه سازی و انتخاب ویژگی برای یادگیری ماشین

رشد سریع و فزاینده داده های با ابعاد بالا چالش نفرین ابعاد را برای مدل های یادگیری ماشین به همراه داشته است. انتخاب ویژگی به عنوان راهکاری ضروری فرآیند یافتن زیر مجموعه ای بهینه از ویژگی ها برای بهبود دقت مدل و کاهش هزینه محاسباتی است. با توجه به ماهیت NP-hard این مسئله روش های کلاسیک جستجوی کامل کارایی لازم را ندارند. این مقاله مروری، با تمرکز بر پژوهش های بازه ۲۰۱۹ تا ۲۰۲۴ نشان می دهد که الگوریتم های متاهیوریستیک و به ویژه رویکردهای ترکیبی (Hybrid) که از ادغام با جستجوی محلی، یادگیری تقابلی و تئوری آشوب بهره می برند توانسته اند تعادل موثرتری بین اکتشاف و بهره برداری ایجاد کنند. نتایج مطالعات نشان دهنده عملکرد برتر روش های ترکیبی در دستیابی به دقت بالاتر با حذف بیش از ۹۰ درصد ویژگی های زائد است.

کلیدواژه ها:

انتخاب ویژگی ، یادگیری ماشین ، الگوریتم های متاهیوریستیک ، بهینه سازی ، ترکیبی ، الگوریتم های تکاملی