استخراج ویژگی ها و کاهش ابعاد در الگوریتم های یادگیری ماشین به روش تصویر افکنی تصادفی (RP)

همواره کار کردن با بانکهای اطلاعاتی حجیم، مشکلات خاص و عدیده ای را بهمراه دارد. لذا با بهره گرفتن از روشهای کاهش ابعاد به دنبال تقلیل ابعاد بانک اطلاعاتی هستیم. در این مقاله ابتدا به بیان مقدمه ای در مورد روشهای کاهش ابعاد پرداخته شده، سپس روش PCA که یکی از معروف ترین روشهای استخراج ویژگی هاست مورد بررسی قرار گرفته است. پس از آن روش تصویر افکنی تصادفی (RP)، یکی دیگر از این روشها، معرفی شده و به بررسی مقایسه این دو روش پرداخته شده است. برای انجام مقایسه از دو بانک اطلاعاتی معتبر و الگوریتم یادگیری ماشین NN ستفاده شده است. معیارهایی که برای مقایسه مد نظر بوده است، عبارتند از: پیچیدگی و حجم محاسبات، زمان انجام محاسبات و دقت روش. در پایان با تحلیل نمودارهای به دست آمده توسط نرم افزار MATLAB نتیجه زیر حاصل شده است: در برخی موارد دقت روش RP نه تنها با دقت PCA برابری کرده، بلکه بیشتر از آن نیز می تواند باشد. از طرفی پیچیدگی کمتر RP، -علی الخصوص در مواردی که با حجم زیاد داده مواجه باشیم – آن را به روشی مفیدتر و کاربردی تر از PCA تبدیل خواهد کرد.

کلیدواژه ها:

استخراج ویژگی ها به روش PCA ، الگوریتم یادگیری ماشین NN ، تصویر افکنی تصادفی (RP) ، کاهش ابعاد