یک الگوریتم جدید ممتیک خودتطبیقی مبتنی بر عدم قطعیت متقارن برای انتخاب ویژگی

مسئله انتخاب ویژگی درگیر تعریف ویژگی های ارزنده و جداسازی آن ها براساس میزان ارزندگی شان برای طبقه بندی بهتر مجموعه داده ها است. که این مهم با حذف ویژگی های افزونه، بی ارزش و نویزی صورت می گیرد. بنابراین برای تحلیل بهتر داده ها نیاز به انتخاب بهترین مجموعه از ویژگی هاست که بتواند به دقت قابل قبولی در پردازش پایگاه داده و کاوش روابط معنادار بین ویژگی ها برسد. در این مقاله یک الگوریتم ممتیک جدید برای حل مسائل انتخاب ویژگی ارائه شده است که بر پایه جستجوی سراسری الگوریتم ازدحام ذرات (PSO) و جستجوی محلی مبتنی بر عدم قطعیت متقارن (SU) است. همچنین برای تعیین روش گسسته سازی مناسب و بهتر از هار روش گسسته سازی مختلف به صورت خود تطبیقی استفاده شده است. نتایج حاصله از ارزیابی عملکرد روش پیشنهادی بر روی مجموعه داده های مختلف، نشان دهنده کارایی روش مزبور در داده های با ابعاد بالا در مقایسه با نسخه های دیگر می باشد.

کلیدواژه ها:

انتخاب ویژگی ، عدم قطعیت متقارن ، ازدحام ذرات ، جستجوی محلی