انتخاب ویژگی نیمه نظارتی تنک مبتنی بر منظم سازی هسین و آنالیز تشخیصی فیشر

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 121

This Paper With 11 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_TJEE-52-2_006

تاریخ نمایه سازی: 7 آبان 1401

Abstract:

انتخاب ویژگی یکی از تکنیک های مهم در یادگیری ماشین و شناسایی الگو است که با حذف ویژگی های نامناسب  و انتخاب زیرمجموعه­ای مفید از ویژگی ها باعث اجتناب از بیش برازش در هنگام ساخت مدل، بهبود کارایی و سادگی مدل می شود. در بسیاری از کاربردها، تعیین برچسب داده ها هزینه بر بوده و مستلزم صرف زمان زیادی است، درحالی که داده های بدون برچسب به آسانی در دسترس هستند. بنابراین، استفاده از روش های انتخاب ویژگی نیمه نظارتی که بتوانند در فرآیند انتخاب ویژگی از داده های برچسب دار و بدون برچسب استفاده نمایند، بسیار ارزشمند است. در این مقاله، یک روش انتخاب ویژگی تنک نیمه نظارتی مبتنی بر منظم سازی هسین و آنالیز تشخیصی فیشر پیشنهاد می شود که می تواند با استفاده از داده های برچسب دار و اطلاعات توزیع و ساختار محلی داده های برچسب دار و بدون برچسب مناسب ترین ویژگی ها را انتخاب نماید. در روش پیشنهادی، تابع هدفی مبتنی بر ماتریس پراکندگی نیمه نظارتی و نرم- l۲,۱ برای انتخاب ویژگی ارائه می شود که از منظم سازی هسین و آنالیز تشخیصی فیشر در ساخت ماتریس پراکندگی نیمه نظارتی استفاده می کند و همبستگی بین ویژگی ها را در هنگام انتخاب ویژگی در نظر می گیرد. برای حل تابع هدف پیشنهادی مبتنی بر منظم سازی هسین و آنالیز تشخیصی فیشر، الگوریتمی موثر با رویکرد تکراری به کار می رود و همگرایی آن به صورت تئوری و عملی اثبات می شود. نتایج به دست آمده از آزمایش ها بر روی پنج مجموعه داده حاکی از برتری روش پیشنهادی در مقایسه با دیگر روش های انتخاب ویژگی استفاده شده در این مقاله است.

Keywords:

Authors

راضیه شیخ پور

استادیار- گروه مهندسی کامپیوتر- دانشکده فنی و مهندسی- دانشگاه اردکان- اردکان- ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • G. Chandrashekar, F. Sahin, A survey on feature selection methods, ...
  • Y. Hu, Y. Zhang, D. Gong, Multiobjective Particle Swarm Optimization ...
  • G. Dhiman, D. Oliva, A. Kaur, K.K. Singh, S. Vimal, ...
  • J. Wang, H. Zhang, J. Wang, Y. Pu, N.R. Pal, ...
  • ح. بیاتی، م. دولتشاهی، م. پنیری، انتخاب ویژگی چندبرچسبی با ...
  • س. حیدری مقدم بجستانی، س. شعرباف تبریزی ، ع. قاضی ...
  • W. Zhong, X. Chen, F. Nie, J. Zhexue, Adaptive discriminant ...
  • M. Tubishat, S. Ja, M. Alswaitti, S. Mirjalili, Dynamic Salp ...
  • G. ROFFO, S. Melzi, U. Castellani, A. Vinciarelli, M. Cristani, ...
  • م. رحمانی نیا، پ. مرادی، م. جلیلی ، یک راهکار ...
  • A Distributed Minimum Redundancy Maximum Relevance Feature Selection Approac [مقاله ژورنالی]
  • Razieh Sheikhpour; Mehdi Agha Sarrama; Sajjad Gharaghani; Mohammad Ali Zare ...
  • T. Bhadra, S. Bandyopadhyay, Supervised feature selection using integration of ...
  • R. Zhang, H. Zhang, X. Li, S. Yang, Unsupervised Feature ...
  • Q. Pang, L. Zhang, Semi-supervised neighborhood discrimination index for feature ...
  • X. He, D. Cai, P. Niyogi, Laplacian score for feature ...
  • G. Doquire, M. Verleysen, A graph Laplacian based approach to ...
  • J. Zhao, K. Lu, X. He, Locality sensitive semi-supervised feature ...
  • Z. Ma, F. Nie, Y. Yang, J.R.R. Uijlings, N. Sebe, ...
  • C. Shi, Q. Ruan, G. An, Sparse feature selection based ...
  • Y. Han, Y. Yang, Y. Yan, Z. Ma, N. Sebe, ...
  • R. Tibshirani, Regression shrinkage and selection via the lasso, Journal ...
  • S. Foucart, M.-J. Lai, Sparsest solutions of underdetermined linear systems ...
  • R. Chartrand, Exact reconstruction of sparse signals via nonconvex minimization, ...
  • F. Nie, H. Huang, X. Cai, C.H. Ding, Efficient and ...
  • L. Wang, S. Chen, l۲,p-matrix norm and its application in ...
  • C. Shi, Q. Ruan, S. Member, G. An, R. Zhao, ...
  • C.M. Bishop, Neural networks for pattern recognition, Oxford University Press, ...
  • Q. Gu, Z. Li, J. Han, Generalized Fisher Score for ...
  • M. Yang, Y. Chen, G. Ji, Semi_fisher score : a semi-supervised ...
  • S. Lv, H. Jiang, L. Zhao, D. Wang, M. Fan, ...
  • L. Chen, R. Huang, W. Huang, Graph-based semi-supervised weighted band ...
  • W. Yang, C. Hou, Y. Wu, A semi-supervised method for ...
  • Y. Liu, F. Nie, J. Wu, L. Chen, Efficient semi-supervised ...
  • Y. Liu, F. Nie, J. Wu, L. Chen, Semi-supervised feature ...
  • R. Sheikhpour, M.A. Sarram, S. Gharaghani, M.A.Z. Chahooki, A robust ...
  • R. Sheikhpour, M.A. Sarram, E. Sheikhpour, Semi-supervised sparse feature selection ...
  • X. Li, Y. Zhang, R. Zhang, Semisupervised Feature Selection via ...
  • R. Sheikhpour, M.A. Sarram, S. Gharaghani, M.A.Z. Chahooki, Feature selection ...
  • K.I. Kim, F. Steinke, M. Hein, Semi-supervised Regression using Hessian ...
  • R. Zhang, Y. Zhang, X. Li, Unsupervised Feature Selection via ...
  • Z. Wang, F. Nie, L. Tian, R. Wang, X. Li, ...
  • نمایش کامل مراجع