یک روش ترکیبی برای یافتن زیرمجموعه ویژگی موثر در داده های چند برچسبی
Publish place: Tabriz Journal of Electrical Engineering، Vol: 48، Issue: 3
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 538
This Paper With 12 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:
JR_TJEE-48-3_033
تاریخ نمایه سازی: 17 تیر 1398
Abstract:
داده های چند برچسبی به داده هایی گفته می شود که در آن بر خلاف داده های تک برچسبی، هر نمونه می تواند متعلق به چند کلاس باشد. در سال های اخیر، به دلیل رشد روز افزون کاربردهای این داده ها، طبقه بندی داده های چند برچسبی توجه بسیاری از محققان را به خود جلب کرده است. مشابه طبقه بندی داده های تک برچسبی، در داده های چند برچسبی نیز حذف ویژگی های زائد و تکراری می تواند تاثیر زیادی در بهبود عملکرد طبقه بند داشته باشد. در این مقاله، یک روش ترکیبی برای انتخاب ویژگی در داده های چند برچسبی ارائه شده است. روش پیشنهادی بر پایه ترکیب یک روش فیلتری و یک روش پیچشی است که در روش پیچشی از الگوریتم های فرا ابتکاری استفاده شده است. از آنجا که معمولا تعداد ویژگی های داده های چند برچسبی زیاد است، استفاده مستقیم از روش های جستجو، برای کشف زیرمجموعه ویژگی بهینه، هزینه محاسباتی بالایی دارد و ممکن است با شکست روبه رو شود. از این رو، ابتدا با استفاده از یک روش فیلتری، ویژگی های نامرتبط با کلاس ها حذف می شوند. سپس، از الگوریتم های تکاملی برای انتخاب برجسته ترین ویژگی ها استفاده می شود. در بخش آزمایش ها، تعداد قابل توجهی از الگوریتم های فرا ابتکاری مشهور بکار گرفته شده و جایگزین روش پیچشی در سامانه پیشنهادی شده است. نتایج به دست آمده نشان می دهند که روش پیشنهادی در برابر سایر روش های مورد مقایسه، دقت بالاتری دارند و در مواردی که دست یابی به دقت بالاتر، اهمیت بیشتری نسبت به زمان داشته باشد، استفاده از این روش مناسب تر است.
Keywords:
داده های چند بر چسبی , انتخاب ویژگی , روش های ترکیبی , روش های فیلتری , روش های پیچشی , الگوریتم های تکاملی
Authors
شیما کاشف
دانشکده فنی مهندسی - دانشگاه شهید باهنر کرمان
حسین نظام آبادی پور
دانشکده فنی مهندسی - دانشگاه شهید باهنر کرمان
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 :