علیرضا عزیزی راد - دانشجوی کارشناسی ارشد نرم افزار، گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه ازاد اسلامی واحد یزد، یزد، ایران
سیما عمادی - استادیار گروه نرم افزار، گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه ازاد اسلامی واحد یزد، یزد، ایران

انتخاب ویژگی یک روش برای شناسایی ویژگیهای مهم و از بین بردن ویژگیهای بیربط (زائد) از یک مجموعه داده است. اهداف انتخاب ویژگی، کاهش ابعاد داده، بهبود عملکرد طبقه بندی و درک صحیح از اطلاعات برای برنامه های مختلف یادگیری ماشین است. جستجو برای انتخاب زیر مجموعه های بهینه (نزدیک) در فرآیند انتخاب ویژگی (FS) یک مسالهی چالش برانگیز است. در ادبیات، الگوریتم های هوش ازدحامی (SI) عملکرد فوق العادهای را در حل این مسائل نشان دادهاند. این عملکرد باعث شد ما الگوریتم ازدحام سالپ (SSA) که اخیرا پیشنهاد شده است، را مورد آزمایش قرار دهیم. به همین ترتیب، رویکرد جدید انتخاب ویژگی پوششی که از SSA به عنوان استراتژی جستجو استفاده میکنند را پیشنهاد میدهیم. در این رویکردها، از تابع انتقال گوسین برای تبدیل نسخه پیوسته SSA به دودویی استفاده میشود و از عملگر برش BLX-علاوه بر تابع انتقال برای جایگزینی عملگر میانگین و بهبود رفتار اکتشافی الگوریتم استفاده میشود. روشهای پیشنهادی (BSSA-GB) در 10 مجموعه داده ی پزشکی شناخته شده ی UCI مورد ارزیابی قرار می گیرند و نتایج با 3 روش انتخاب ویژگی متداول در ادبیات مقایسه میشوند: الگوریتم جستجو گرانشی دودویی (BGSA)، الگوریتم خفاش دودویی (BBA) و بهینه سازی گرگ خاکستری .(BGWO) از نتایج، مشاهده شده است که رویکرد پیشنهادی به طور قابل توجهی در بیش از 90 درصد از مجموعه داده ها، نسبت به سایر روشها بهبود داشته است.

روش های پوششی انتخاب ویژگی، الگوریتم بهینه سازی ازدحام سالپ، طبقه بندی، یادگیری ماشین، داده کاوی، محاسباتی تکاملی، هوش ازدحامی