بهبود عملکرد الگوریتم های انتخاب ویژگی جستجوی عقبگرد و رو به جلو متوالی به کمک SVM

مساله انتخاب ویژگی، یکی ازمهمترین مسایل در زمینه یادگیری ماشین و شناسایی الگو است. این مساله در بسیاری از کاربردها (مانند طبقه بندی) اهمیت به سزایی دارد، زیرا در این کاربردها تعداد زیادی ویژگی وجود دارد، که بسیاری از آنها یا بلااستفاده هستند و یا اینکه بار اطلاعاتی چندانی ندارند. حذف نکردن این ویژگیها مشکلی از لحاظ اطلاعاتی ایجاد نمیکند ولی بار محاسباتی را برای کاربرد مورد نظر بالا میبرد. و علاوه بر این باعث میشود که اطلاعات غیر مفید زیادی را به همراه داده های مفید ذخیره کنیم.در این مقاله ما در ابتدا شرح مختصری از انتخاب ویژگی و طبقه بندی روش های آن را آورده ایم. سپس مروری بر طبقه بندsvm را خواهیم داشت و دو الگوریتم انتخاب ویژگی sbs و sfs را مورد بررسی قرار دادیم . مشکل این دو الگوریتم عدم امکان ارزیابی مجدد ویژگی انتخابی در هر مرحله است،که باعث پایین آمدن نرخ شناسایی می شود ما برای رفع این مشکل روشی را پیشنهاد دادیم.این روش با ترکیب دو الگوریتم انتخاب ویژگی و همچنین استفاده از طبقه بند svm توانسته است مجموعه جواب مطلوبی را حاصل نماید.انتخاب ویژگی با استفاده از ماشین های بردار پشتیبان نتایج قابل قبولی بدست آورده است بنابراین ما با ترکیب دو الگوریتم انتخاب ویژگی sbsوsfs به کمک طبقه بند svm باعث بهبود انتخاب ویژگی و حذف ویژگی های غیر مرتبط شدیم . در انتها میبینیم آزمایشات بر مجموعه داده ها دارای نتایج بهتری می باشد که در قالب نمودار و جداول مشهود است.

کلیدواژه ها:

انتخاب ویژگی ، ماشین بردار پشتیبان ، جستجوی رو به جلو متوالی ، جستجو عقبگرد متوالی