دانشگاه اراک
چکیده: (605 مشاهده)
در بسیاری از مسائل یادگیری ماشین، انتخابِ ویژگیهای مرتبط و اجتناب از ویژگیهای افزونه، برای بهبود کارایی انتخاب ویژگی ضروری است. در اکثر رویکردهای موجود، از الگوریتمهای فیلتر چندمتغیره برای این منظور استفاده میشود که در آنها تعامل با طبقهبند نادیده گرفته میشود. این مقاله با ارائه یک چارچوب، ترکیب روشهای نهفته با روشهای فیلتر چندمتغیره را پیشنهاد میدهد تا با درنظر گرفتن تعامل با طبقهبند در انتخاب ویژگیها، این مشکل را برطرف نماید. در چارچوب پیشنهاد شده، ارتباط بین هر ویژگی و برچسبهای کلاس توسط الگوریتمهای نهفته محاسبه میشود و افزونگی بین ویژگیها از طریق الگوریتمهای فیلتر چندمتغیره بررسی میشود. این چارچوب پیشنهادی، دقت طبقهبندی را روی چندین مجموعه داده بهبود داده است. بهعلاوه در فرایند انتخاب ویژگی پیشنهاد شده، بجای استفاده یکدفعه از همه مجموعه دادهها، از توزیع افقی آنها استفاده شده است. این خصوصیت برای مجموعه دادههایی که دارای نمونههای زیادی هستند و نیز در محیط هایی که داده ها متمرکز نیستند، باعث کاهش زمان اجرای فرایند انتخاب ویژگی شده است. کیفیت روش ما با استفاده از شش مجموعه داده ارزیابی شده است. نتایج ثابت میکنند که چارچوب پیشنهاد شده، میتواند دقت طبقهبندی را در مقایسه با روشهای صرفا مبتنی بر فیلتر چندمتغیره بهبود دهد. همچنین سرعت اجرا میتواند در مقایسه با روشهای متمرکز بهبود یابد.
شمارهی مقاله: 2
نوع مطالعه:
پژوهشي |
موضوع مقاله:
مقالات پردازش دادههای رقمی دریافت: 1399/5/2 | پذیرش: 1401/2/21 | انتشار: 1401/12/29 | انتشار الکترونیک: 1401/12/29