استفاده از الگوریتم رقابت استعماری برای انتخاب ویژگی با در نظر گرفتن شباهت بین ویژگیها

امروزه بسیاری از مسایل یادگیری نیازمند کارکردن روی مجموعه دادههای با تعداد زیاد ویژگی است. معمولا بسیاری از این ویژگیها نامناسب و دارای افزونگی هستند که میتوانند تاثیر منفی بر وظیفه یادگیری داشته باشند. انتخاب ویژگییک تکنیک کارا و مهم برای غلبه بر این مشکل است. در این مقاله یک روش انتخاب ویژگی بدون ناظر مبتنی بر راهکار فیلتر به نام RandSimICA ارایهشده است که از الگوریتم رقابت استعماری ) ICA ( بهعنوان یک تکنیک جستجو درفضای ویژگیها استفاده میکند. بهعلاوه، یک تابع هزینه جدید در روش پیشنهادی بکار برده شده است که بدون نیاز به هیچ طبقهبندی کنندهای، هزینه زیرمجموعه ویژگیهای انتخابشده را محاسبه میکند؛ بنابراین روش پیشنهادی در دسته روشهای فیلتر قرار میگیرد. عملکرد روش پیشنهادی با روشهای معروف انتخاب ویژگی فیلتر بدون ناظر، بر اساس نرخخطای بهدستآمده از طبقهبندی کنندههای ماشین بردار پشتیبان، بیزین ساده و درخت تصمیم مقایسه شده است. نتایج آزمایشها بر روی 7 مجموعه دادهای نشان میدهد که الگوریتم RandSimICA به لحاظ دقت طبقهبندی بهتر ازروشهای دیگر عمل میکند و زیرمجموعه ویژگیهای پیدا شده توسط روش پیشنهادی دارای اندازه کوچک با نرخ خطای طبقهبندی پایین میباشد.

Keywords:

انتخاب ویژگی , کاهش ابعاد ویژگیها , الگوریتم رقابت استعماری , راهکار فیلتر