مروری بر کاربردهای الگوریتم ژنتیک در انتخاب ویژگی برای یادگیری ماشین

انتخاب ویژگی نقش تعیین کننده ای در بهبود عملکرد مدل های یادگیری ماشین دارد و سبب کاهش پیچیدگی محاسباتی، افزایش دقت و جلوگیری از بیش برازش داده ها می شود. الگوریتم ژنتیک، به عنوان یکی از روش های فراابتکاری الهام گرفته از فرایند تکامل طبیعی، توانایی بالایی در جستجوی فضای وسیع ویژگی ها و یافتن ترکیب های بهینه از آن ها دارد. با استفاده از مفهوم جمعیت، عملگرهای انتخاب، جهش و ادغام، این الگوریتم قادر است به صورت هوشمندانه ویژگی های موثر را شناسایی و ویژگی های غیرضروری را حذف کند. رویکردهای متنوعی از الگوریتم ژنتیک از جمله نسخه های تطبیقی، چندهدفه و هیبریدی برای بهبود دقت مدل های یادگیری ماشین مورد استفاده قرار گرفته اند. نتایج پژوهش های اخیر نشان می دهد به کارگیری الگوریتم ژنتیک به ویژه در ترکیب با طبقه بندی کننده هایی مانند شبکه های عصبی، ماشین بردار پشتیبان و k- نزدیک ترین همسایه، موجب افزایش چشمگیر کارایی و کاهش ابعاد داده در حوزه های مختلف همچون پزشکی، داده های متنی و بیوانفورماتیک شده است.

کلیدواژه ها:

انتخاب ویژگی ، الگوریتم ژنتیک ، یادگیری ماشین ، بهینه سازی ، فراابتکاری ، کاهش ابعاد داده