انتخاب ویزگی در داده کاوی با استفاده از الگوریتم بهینه سازی واکنش های شیمیایی
Publish place: Computer engineering and need-based research The latest achievements in information technology
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,094
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
COMPUTER02_046
تاریخ نمایه سازی: 2 تیر 1395
Abstract:
تعداد ویژگی های زیاد یکی از خصیصه های مسئله های سال های اخیر است که باعث کندشدن سیستم های دسته بندی، پایین آمدن کارایی و بالا رفتن هزینه ساخت چنین سیستم هایی می گردد. مسئله ی انتخاب ویزگی در سال های اخیر در حوزه ی داده کاوی در هنگام مواجه شدن با مجموعه داده های با تعداد زیاد متغیر با ویژگی به صورت گسترده مورد مطالعه قرار گرفته است. در این رساله هدف اصلی ارائه کاربردی جدید و بهینه در راستای استفاده از الگوریتم های فرامکاشفه ای در مسئله انتخاب ویژگی در مجموعه داده هایی است که با تعداد زیاد ویژگی های بی استفاده بتواند به کاهش این ویزگی ها و در نتیجه کاهش زمان مورد نیاز برای اعمال الگوریتم های گوناگون بر روی آنها برسد. در این تحقیق از یک الگوریتم فرامکاشفه ای به نام الگوریتم بهینه سازی واکنش های شیمیایی که یکی از جدید ترین و قویترین روش های بهینه سازی تکاملی معرفی شده در سال 2010 است، استفاده شده است. در پایان روش پیشنهادی با مجموعه داده های استاندارد موجود UCI تحلیل شده و نتایج در اکثر موارد بیانگر کارایی بالای آن بر اساس دو معیار دقت دسته بندی و انتخاب زیرمجموعه ای کوچک از ویژگی ها به عنوان ویژگی های برجسته به صورت همزمان است.
Keywords:
Authors
الهام کرم کیانی
دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد اردبیل- ارائه دهنده
مهدی صادق زاده
استادیار، دانشگاه آزاد اسلامی واحد ماهشهر
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 :