انتخاب ویژگی مبتنی بر الگوریتم جستجوی گرانشی اینری کوانتومی

یکی از روش های مهم در بهبود دقت طبقه طبقه بند و کاهش اندازه مساله، انتخاب زیر مجموعه ای از ویژگی های موثر و حذف ویژگی های نویزی و زائد است. تا کنون رویکردهای بسیاری بر اساس الگوریتم های تکاملی برای حل مساله انتخاب ویژگی پیشنهاد شده است. در این مقاله،روشی ترکیبی به نام ،FS-BQIGSA ,بر اساس الگوریتم جستجوی گرانشی باینری کوانتومی و طبقه بند k -نزدیکترین همسایه برای انتخاب بهترین زیرمجموعه از ویژگی ها ارائه شده است. کارایی روش پیشنهادی بر روی برخی از مجموعه داده های UCI ارزیابی شد و نتایج آن با تعدادی از روش های انتخاب ویژگی مشابه مقایسه گردید.نتایج ارزیابی نشان می دهند که روش پیشنهادی در مقایسه با سایر روش ها از کارایی قابل قبولی در انتخاب ویژگی ها برخوردار است.

Keywords:

الگوریتم جستجوی گرانشی , انتخاب ویژگی , محاسبات کوانتومی , طبقه بند نزدیکترین همسایه