انتخاب ویژگی بهبودیافته مبتنی بر نظریه بازی های مشارکتی
Publish place: National Conference on the Application of New Technologies in Science and Engineering, Electrical and Computer and IT
Publish Year: 1396
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 536
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
TESCONF01_114
تاریخ نمایه سازی: 16 تیر 1397
Abstract:
امروزه با رشد و پیشرفت فناوری و صنعت، پایگاه داده هایی با حجم بالا به وجود آمده اند که پیدا کردن زیر مجموعه بهینه از این مجموعه داده های بزرگ، یکی از دغدغه های محققان می باشد. ازاین رو، پردازش داده ها با تعداد ویژگی های زیاد، بار محاسباتی را بالا می برد. لذا انتخاب یک زیرمجموعه ویژگی با کمترین تعداد و کارایی بالا یک موضوع بسیار مهم می باشد. در این مقاله الگوریتم FSCG پیشنهادشده است که ابتدا با استفاده از روش F-Score، ویژگی ها مرتب شده و سپس برای هر ویژگی ارزش شپلی-شوبیک محاسبه شده تا سهم هر ویژگی در یک همکاری مشخص شود. لذا ارزش شپلی-شوبیک کمک می کند تا سهم هر ویژگی در یک همکاری که نقطه ضعف F-Score هست را پیدا کنیم و در مقابل F-score که ویژگی های دو کلاس را به خوبی از هم تشخیص می دهد نقطه ضعف ارزش شپلی-شوبیک که پیچیدگی محاسباتی بالا به خاطر تعداد زیاد انتخاب ویژگی های جفت با ایتلاف های بین ویژگی هاست را می پوشاند. این الگوریتم روی تعدادی از پایگاه داده از داده های UCI پیاده سازی شده و نتایج آن با روشSVM مقایسه شده است.
Keywords:
Authors
مهناز نظام پور
دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیک، موسسه آموزش عالی سلمان، مشهد، ایران
گلاره ویسی
استادیار، دانشکده فنی و مهندسی دانشگاه آزاد اسلامی واحد مشهد، ایران