ارائه ی یک روش کاهش ویژگی برای داده های پزشکی با استفاده از الگوریتم CSO بهبود یافته

افزایش چشمگیر سرعت تولید اطلاعات در علوم مختلف از جمله حوزه پزشکی سبب شده است که چالش هایی در بحث پیچیدگی محاسباتی الگوریتم های تشخیص الگو پدید آید. همچنین وجود ویژگی های نامرتبط و یا زائد سبب کاهش دقت عملیات طبقه بندی داده ها نیز می گردد. انتخاب ویژگی یکی از مباحث بنیادین در علم یادگیری ماشین و تشخیص الگومی باشد که سبب کاهش زمان اجرای الگوریتم و افزایش دقت در عملیات طبقه بندی داده ها می شود. انتخاب ویژگی با رویکردها و روش های متفاتی می تواند صورت پذیرد که یکی از این رویکردها روش لفافه می باشد که در این مقاله سعی شده است با بهبود الگوریتم بهینه سازی ذرات رقابتی و بهره گیری از اپراتورهای جهش و وراثت الگوریتم ژنتیک فرایندبهتری برای انتخاب ویژگی ها ارائه گردد به نحوی که سبب افزایش دقت الگوریتم های طبقه بندی گردد. نتایج به دست آمده بیانگر آن است که الگوریتم پیشنهادی در مقایسه با روش های CSO,PSO, Bare-Bone, GA ، عملکرد بهتری در انتخاب ویژگی جهت عملیات طبقه بندی دارد که در نهایت سبب افزایش دقت می گردد

کلیدواژه ها:

انتخاب ویژگی ، الگوریتم های فرا ابتکاری ، الگوریتم بهینه سازی ذرات رقابتی ، طبقه بندی داده ها ، داده های پزشکی