Signal and Data Processing

fa استخراج ویژگی مبتنی بر تفکیک‌پذیری بیشتر رده‌ها با استفاده از طبقه‌‌‌بندهای کمکی Feature extraction based on the more resolution of the classes using auxiliary classifiers مقالات پردازش داده‌های رقمی Paper پژوهشي Research <div style="text-align: justify;">طبقه‌بندی یک روش یادگیری ماشین است که برای پیش‌گویی برچسب یک نمونه خاص با کمترین خطا استفاده می‌شود. در این مقاله، از توانایی پیش‌گویی برچسب به‌کمک طبقه‌بند برای ایجاد ویژگی جدید استفاده شده است. امروزه روش‌های استخراج ویژگی زیادی مانند PCA و ICA وجود دارند که در زمینه‌های مختلف به‌طور وسیع استفاده می‌شوند و از هزینه بالای انتقال به فضای دیگر رنج می‌برند. در روش پیشنهادی، هدف این است که به‌کمک ویژگی جدید، قدرت تفکیک‌پذیری بیشتری بین رده‌های مختلف ایجاد شود و داده‌های درون رده‌ها به یکدیگر نزدیک‌تر و تمایز بیشتری بین داده‌های رده‌های مختلف به وجود آید تا کارایی طبقه‌بندها افزایش یابد. ابتدا به‌کمک یک یا چند طبقه‌بند، برچسب پیشنهادی برای مجموعه‌داده اولیه تعیین و به‌عنوان ویژگی جدید به مجموعه‌داده اولیه اضافه می‌شود. ایجاد مدل به‌کمک مجموعه‌داده جدید انجام می‌شود. ویژگی جدید برای مجموعه‌داده آموزش و آزمون به‌صورت جداگانه به‌دست آورده می‌شود. آزمایش‌ها بر روی بیست مجموعه‌داده استاندارد انجام شده و نتایج روش پیشنهادی با نتایج دو روش بیان‌شده در کارهای مرتبط نیز مقایسه شده است. نتایج نشان می‌دهد که روش پیشنهادی به‌طور قابل توجهی باعث بهبود دقت رده‌بندی شده است. در بخش دوم آزمایش‌ها، برای بررسی میزان مؤثر‌بودن روش پیشنهادی، قدرت تفکیک‌پذیری ویژگی جدید بر اساس دو معیار بهره اطلاعاتی و شاخص جینی بررسی شده است. نتایج نشان می‌دهد که ویژگی به‌دست‌‌آمده در روش پیشنهادی در بیشتر موارد دارای بهره اطلاعاتی بیشتر و شاخص جینی کمتری است، زیرا بی‌نظمی کمتری دارد. در ادامه، جهت جلوگیری از افزایش ابعاد داده، ویژگی استخراج‌شده با بیش‌ترین بار اطلاعاتی، جایگزین ویژگی با کم‌ترین بار اطلاعاتی شده است. نتایج این مرحله نیز بیان‌گر افزایش میزان کارایی است.</div> <div style="text-align: justify;">Classification is a machine learning method used to predict a particular sample’s label with the least error. The present study was conducted using label prediction ability with the help of a classifier to create a new feature. Today, there are several feature-extraction methods like principal component analysis (PCA) and independent component analysis (ICA) that are widely used in different fields; however, they all suffer from the high cost of transferring to another space. The purpose of the proposed method was to create a higher distinction between various classes using the new feature in a way that, make the data in the classes closer to each other. As a result, for increasing the efficiency of classifiers, more differentiation is created between the data of various classes. Firstly, the suggested labels for the primary data set were determined using one or more classifiers and added to the primary data set as a new feature. The model was created using a new data set. The new feature for training and testing data sets was provided separately. The tests were performed on 20 standard data sets and the results of the proposed method were compared with those of the two methods described in the related studies. The outputs indicated that the proposed method has significantly improved the classification accuracy. In the second part of the tests, the resolution of the new feature was examined according to two criteria, namely Information Gain and Gini Index, for examining the effectiveness of the proposed method. The results showed that the feature obtained in the proposed method has higher Information Gain and lower Gini Index in most cases, as it has less irregularity. To prevent the increase in data dimensions, the feature with the least Information Gain was replaced with the feature extracted with the most Information Gain. The results of this step showed an increase in efficiency as well.</div> استخراج ویژگی, طبقه‌بندی, بهره اطلاعاتی, شاخص جینی Feature extraction, classification, information gain, Gini index 29 44 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1771-1&slc_lang=fa&sid=1 Hamid Reza Ghaffari حمیدرضا غفاری hghaffaripaper@ferdowsiau.ac.ir 100319475328460010542 100319475328460010542 Yes Department of Computer Engineering,Department of Computer Engineering, University of Ferdows, Ferdows, Iran دانشگاه آزاد اسلامی فردوس Atena Jalali Mojahed آتنا جلالی مجاهد st.ajalalia@ferdowsiau.ac.ir 100319475328460010543 100319475328460010543 No Department of Computer Engineering,Department of Computer Engineering, University of Ferdows, Ferdows, Iran دانشگاه آزاد اسلامی فردوس