ارائه ی یک روش کاهش ویژگی برای داده های پزشکی با استفاده از الگوریتم CSO بهبود یافته
Publish place: The first international smart city conference
Publish Year: 1398
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 846
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
SMARTCITYC01_128
تاریخ نمایه سازی: 11 اسفند 1398
Abstract:
افزایش چشمگیر سرعت تولید اطلاعات در علوم مختلف از جمله حوزه پزشکی سبب شده است که چالش هایی در بحث پیچیدگی محاسباتی الگوریتم های تشخیص الگو پدید آید. همچنین وجود ویژگی های نامرتبط و یا زائد سبب کاهش دقت عملیات طبقه بندی داده ها نیز می گردد. انتخاب ویژگی یکی از مباحث بنیادین در علم یادگیری ماشین و تشخیص الگومی باشد که سبب کاهش زمان اجرای الگوریتم و افزایش دقت در عملیات طبقه بندی داده ها می شود. انتخاب ویژگی با رویکردها و روش های متفاتی می تواند صورت پذیرد که یکی از این رویکردها روش لفافه می باشد که در این مقاله سعی شده است با بهبود الگوریتم بهینه سازی ذرات رقابتی و بهره گیری از اپراتورهای جهش و وراثت الگوریتم ژنتیک فرایندبهتری برای انتخاب ویژگی ها ارائه گردد به نحوی که سبب افزایش دقت الگوریتم های طبقه بندی گردد. نتایج به دست آمده بیانگر آن است که الگوریتم پیشنهادی در مقایسه با روش های CSO,PSO, Bare-Bone, GA ، عملکرد بهتری در انتخاب ویژگی جهت عملیات طبقه بندی دارد که در نهایت سبب افزایش دقت می گردد
Keywords:
انتخاب ویژگی , الگوریتم های فرا ابتکاری , الگوریتم بهینه سازی ذرات رقابتی , طبقه بندی داده ها , داده های پزشکی
Authors
فروغ حق پناه جهرمی
دانشجوی کارشناسی ارشد مدیریت سیستم های اطلاعاتی- دانشکده ی آموزش های الکترونیک- دانشگاه شیراز
مسعود دادگر
دانشجوی دکتری هوش مصنوعی- دانشکده ی کامپیوتر و فناوری اطلاعات - دانشگاه شیراز
علی حمزه
دکتری هوش مصنوعی- دانشکده ی کامپیوتر و فناوری اطلاعات - دانشگاه شیراز