انتخاب ویژگی مبتنی بر الگوریتم ژنتیک چند هدفه برای ماشین بردار پشتیبان
- سال انتشار: 1395
- محل انتشار: ششمین کنفرانس هوش مصنوعی و رباتیک و هشتمین سمپوزیوم بین المللی
- کد COI اختصاصی: IRANOPEN06_014
- زبان مقاله: فارسی
- تعداد مشاهده: 1621
نویسندگان
دانشگاه آزاد اسلامی، واحد قزوین، دانشکده برق، رایانه و فناوری اطلاعات
دانشگاه خواجه نصیرالدین طوسی، دانشکده مهندسی کامپیوتر
چکیده
روش های گوناگونی برای انتخاب ویژگی پیشنهاد شده اند تا یک زیر مجموعه مناسب از ویژگی ها در بین مجموعه داده های اولیه به دست آید. این روش ها براساس جستجو در فضای ویژگی های مبتنی بر یک معیار یا همان تابع هدف استوار هستند. این توابع به دو دسته کلی فیلتر و پوشاننده تقسیم می شوند. در روش های فیلتر زیر مجموعه ویژگی ها براساس معیارهایی نظیر فاصله درون و میان کلاسی و همبستگی ویژگی ها که فقط وابسته به داده ها هستند انتخاب می شوند. در حالی که در روش های پوشاننده از یک دسته بند برای ارزیابی مجموعه ویژگی استفاده می شود که از طریق سنجش دقت دسته بند انتخاب ویژگی انجام می شود در روش های فیلتر معمولاً یک معیار را به تنهایی برای انتخاب ویژگی در نظر می گیرند که لزوماً بهترین نتیجه را حاصل نمی کند. در این مقاله، پیشنهاد می شود که ضمن در نظر گرفتن معیارهای روش های فیلتر، معیار خطای دسته بندی هم در انتخاب ویژگی در نظر گرفته شود که به این منظور ماشین بردار پشتیبان برای دسته بندی استفاده شده است. در راستای این هدف، از روش تکاملی چند هدفه و به طور خاص از الگوریتم ژنتیک برای انتخاب ویژگی چند هدفه استفاده شده است. به این منظور معیارهای اطلاعات متقابل و لاپلاسین که به ترتیب بیانگر، محتویات اطلاعاتی ویژگی های و قدرت حفظ ساختار ویژگی ها هستند. در نظر گرفته شده اند و ترکیب آن ها با معیار خطای دسته بندی ماشین بردار پشتیبان، به عنوان اهداف توام انتخاب ویژگی در تابع برازندگی الگوریتم تکاملی پیشنهاد شده اند. نتایج بر روی برخی مجموعه داده های منتخب از UCI کارایی این روش را نشان می دهد.کلیدواژه ها
انتخاب ویژگی، الگوریتم ژنتیک چند هدفه، ماشین بردار پشتیبانمقالات مرتبط جدید
- سودآوری مشتریان در خردهفروشی قطعات یدکی ماشین آلات راهسازی با رویکرد یادگیری ماشین
- ارائه روشی کارآمد جهت شناسایی کودکان نیازمند به پیوند مغز استخوان با استفاده از ترکیب طبقه بند ماشین بردار پشتیبان و الگوریتم بهینه سازی فاخته
- استخراج بهینه پارامترهای تاثیر گذار الگوریتم بهینه سازی بوفالوی آفریقایی با هدف استخراج ویژگی های مهم به منظور افزایش کارایی طبقه بندی داده ها
- ارائه روشی کارآمد برای بهبود عملکرد الگوریتم بهینه سازی کلاغ سیاه به منظور افزایش صحت خوشه بندی داده ها
- استفاده از الگوریتم باور بیزین در لایه کاملا متصل شبکه عصبی کانولوشن با هدف افزایش دقت تشخیص تصاویر
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.