مروری برتکنیک های فیلترینگ درجهت کاهش ابعادکلان داده

داده های کلان پدیده ای درحال وقوع است که ازسال 2003تا2008 تولید داده توسط بشریت از5اگزابایت سه برابر شده و به 14.7 اگزابایت رسیده است ازانجا که حجم سرعت تنوع و پیچیدگی مجموعه داده به طور مداوم رو به افزایش می باشد یادگیری ماشین اموزش تکنیک هایی را به منظور استخراج مقداربسیارعظیمی ازاطلاعات ضروری دانسته و با رشد پیچیدگی و مقادیر کلان داده ها و ظهور ابعادبالای آن شناسایی مناسب پارامترهای مرتبط با ابعادبالای داده دردنیای واقعی به امری ضروری تبدیل شده است اگرچه با دردسترس بودن الگوریتم های گسترده روشهای انتخاب ویژگی مناسب اسان نمی باشد و لازم است تاثیرات آن درزمینه های مختلف بررسی شود همچنین ارزیابی ویژگیهای متفاوت درمجموعه داده های واقعی درابعاد بالا دشوار می باشد دراین مقاله نتایج عملکرد روشهای مختلف انتخاب ویژگی و روشهای filters تک متغیره یا چندمتغیره که مجموعه ای ازویژگی ها یاپارامترهای رتبه بندی شده را باز می گرداند بررسی خواهد شد بنابراین بااین مطالعه قادر به انتخاب روشهای filters مناسب خواهیم بود

کلیدواژه ها:

انتخاب ویژگی ، ابعادبالای داده