روشی نوین در انتخاب ویژگی از طریق ترکیب رتبه بندی و خوشه بندی

زینب دهقان; اقبال منصوری

روشی نوین در انتخاب ویژگی از طریق ترکیب رتبه بندی و خوشه بندی

Publish place: The Seventh International Conference on Information and Knowledge Technology

Publish Year: 1394

نوع سند: مقاله کنفرانسی

زبان: Persian

This Paper With 6 Page And PDF Format Ready To Download

دریافت فایل کامل Paper

Certificate
من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

https://civilica.com/doc/388651

شناسه ملی سند علمی:

ICIKT07_009

تاریخ نمایه سازی: 22 مهر 1394

Abstract:

انتخاب ویژگی یکی از مسائل مهم در حوزه ی یادگیری ماشین است به این دلیل که افزایش سرعت و دقت سامانه های دست ه بندی و خوشه بندی را در پی دارد. در این مقاله روشی نوین برای انتخاب ویژگی بر پایه ی سنجش فاصله بین ویژگی ها ارائه شد ه است که با ترکیب دو روش رتبه بندی و خوشه بندی عمل می کند. در روش پیشنهادی تعداد ویژگی انتخاب شده برای هر مجموعه داده متفاوت است و توسط الگوریتمی بدون دخالت کاربر بدست می آید. این روش با استفاده از مزیت خوشه بندی سلسله مراتبی در انتخاب ویژگی های متمایز، سعی در کاهش افزونگی انتخاب ویژگی توسط روش رتبه بندی را دارد. عملکرد روش پیشنهادی در مقایسه با روش های متفاوت در حوزه ی انتخاب ویژگی با مجموعه داده های متداول ارزیابی شده که نتایج حاصله حاکی از کارایی قابل توجه این روش در حوزه ی انتخاب ویژگی است.

Keywords:

انتخاب ویژگی , خوشه بندی ویژگی ها , رتبه بندی ویژگی ها

Authors

زینب دهقان

بخش مهندسی و علوم کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز

اقبال منصوری

بخش مهندسی و علوم کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز

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 :

S. Roweis, L. Saul, "Nonlinear dimensionality reduction by locally linear ...
R. Kohavi, G.H. John, :Wrapper for feature subset selection", Artificial ...
H. Peng, F. Long, and C. Ding, :Feature selection based ...
I. Rodriguez-Luj an, R. Huerta, C. Elkan, C. Cruz, "Quadratic ...
N. Tishby, F. Pereira, W. Bialek, _ information bottleneck method", ...
L. Baker, A. McCallum, :Distributional clustering of words for text ...
I. Dhillon, S. Mallela, R. Kumar, _ divisive information theoretic ...
Attribute:ء [9] W. Au, K. Chan, A. Wong, Y. Wang, ...
J. M. Sotoca, F. Pla, "Supervised feature selection by clustering ...
distances, " Pattern Recognition, vol. 43, no. 6, pp. 325 ...
Data:, IEEE Transactions _ Knowledge and Data Engineering, vol. 25, ...
Y. Cheung, H. Jiao, "Unsupervised Feature Selection with Feature Clustering", ...
C.M. Bishop. Neural Networks for Pattern Recognition. Oxford University Press, ...
W. D, J. B, T.W, K.G and K.G :Feature Selection ...
hierarchical clustering of high-dimens ional data" Soft Computing vol. 18, ...
E. G. Mansoori, M. J. Zolghadri and S. D. Katebi, ...
M. Dash and H. Liu, Feature selection for classification, Intelligence. ...
J. T. L. Wang, Q. C. Ma, D. Shasha and ...
objective function", Journal of the American Statistical Association, vol. 58, ...
https://www. sgi _ c om/tech/mlc/da _ ...
W. Jitkrittum, H. Hachiya, M. Sugiyama, :Feature Selection via L1-Penalized ...
Quinlan, J. R. C4.5, Programs for Machine Learning, Morgan Kaufmann ...
Platt, John, Sequential Minimal Optimization: A Fast Algorithm for Training ...

نمایش کامل مراجع