رویکرد چندهدفه مبتنی بر روش های فرا ابتکاری برای مسئله انتخاب زیرمجموعه ویژگی ها

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 158

فایل این مقاله در 24 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IMJT-13-2_005

تاریخ نمایه سازی: 10 بهمن 1400

چکیده مقاله:

هدف: پیدا کردن زیرمجموعه ای از مجموعه ویژگی ها، مسئله ای است که در زمینه های مختلفی مانند یادگیری ماشین و شناسایی آماری الگوها، کاربرد گسترده ای دارد. با توجه به اینکه افزایش تعداد ویژگی ها، هزینه محاسباتی سیستم را به طور تصاعدی افزایش می دهد، این پژوهش به دنبال طراحی و پیاده سازی سیستم هایی با کمترین تعداد ویژگی و کارایی قابل قبول است. روش: با توجه به لزوم جست وجوی کارآمد در فضای جواب، در این پژوهش برای انتخاب ویژگی در داده های چندکلاسه، از الگوریتم ژنتیک (GA) و الگوریتم ژنتیک با مرتب سازی نامغلوب (NSGA II) چندهدفه با هدف افزایش دقت طبقه بندی و کاهش تعداد ویژگی ها استفاده شده است. روش ارائه شده، بر مبنای دو روش طبقه بندی ماشین بردار پشتیبان (SVM) و K نزدیک ترین همسایه (KNN) روی ۶ مجموعه داده‎ اعتباری به اجرا درآمد و نتایج آن تجزیه و تحلیل شد. یافته ها: الگوریتم ژنتیک و الگوریتم ژنتیک با مرتب سازی نامغلوب چندهدفه برای افزایش دقت طبقه بندی و کاهش تعداد ویژگی ها در مسئله انتخاب ویژگی در داده های چندکلاسه کارکرد مناسبی دارند. نتایج به دست آمده، نشان دهنده بهبود در دقت طبقه بندی، هم زمان با کاهش چشمگیر در تعداد ویژگی ها در هر دو روش ماشین بردار پشتیبان و نزدیک ترین همسایه است. نتیجه گیری: با توجه به نتایج، رویکرد پیشنهادشده در این پژوهش برای مسئله انتخاب ویژگی‎ها کارایی بسیار خوبی دارد.

کلیدواژه ها:

برنامه ریزی چندهدفه ، انتخاب زیرمجموعه ویژگی ها ، الگوریتم های فرا ابتکاری ، الگوریتم ژنتیک ، الگوریتم NSGA II

نویسندگان

امیر دانشور

گروه مدیریت فناوری اطلاعات، دانشکده مدیریت، دانشگاه آزاد اسلامی، واحد الکترونیکی، تهران، ایران

مهدی همایون فر

گروه مدیریت صنعتی، دانشکده مدیریت وحسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران

بیژن نهاوندی

گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، ,واحد علوم و تحقیقات، تهران، ایران

فریبا صلاحی

گروه مدیریت صنعتی، دانشکده مدیریت، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • رزمی، جعفر؛ حیدریه، سید عبدالله؛ شهابی، علی (۱۳۹۳). توسعه مدل ...
  • نصرتی ناهوک، حسن؛ افتخاری، مهدی (۱۳۹۲). یک روش جدید برای ...
  • همایون‎فر، مهدی؛ باقرسلیمی، سعید؛ نهاوندی، بیژن؛ ایزدی شیجانی، کاوه (۱۳۹۷). ...
  • ReferencesAbd-Elazizb, M., Ewees, A.A., Ibrahim, R.A., and Lu, F. (۲۰۲۰). ...
  • Agrawal, R.K., Kaura, B., and Sharma, S. (۲۰۲۰). Quantum based ...
  • Alazzam, H., Sharieh, A., Sabri, K.E. (۲۰۲۰). A feature selection ...
  • Amini, F., and Hu, G. (۲۰۲۰). A two-layer feature selection ...
  • Bolon- Canedo, V., Sanchez- Marono, N., and Alonso- Betanzos, A. ...
  • Cai, F., Wang, H., Tang, X., Emmerich, M., and Verbeek, ...
  • Chaudhuri, A., and Sahu, T.P. (۲۰۲۰). A hybrid feature selection ...
  • Chen, K., Zhou, F.Y., and Yuan, X.F. (۲۰۱۹). Hybrid Particle ...
  • Cura, T. (۲۰۱۹). Use of support vector machines with a ...
  • Das, A., and Das, S. (۲۰۱۷). Feature weighting and selection ...
  • Das, K., Mishra, D., and Shaw, K. (۲۰۱۶). A Meta ...
  • Deb, K., Agrawal, S., Pratap, A., and Meyarivan, T. (۲۰۰۰). ...
  • Effrosynidis, D., and Arampatzis, A. (۲۰۲۱). An evaluation of feature ...
  • Fonseca, C.M., and Fleming, P.J. (۱۹۹۳). Genetic Algorithms for Multi-objective ...
  • Gao, W., Hu, L., Zhang, P., and He, J. (۲۰۱۸). ...
  • García-Pedrajas, N., de Castillo, J.A.R., and Cerruela-García, G. (۲۰۲۰). Fast ...
  • Gholami, J., Pourpanah, F., and Wang, X. (۲۰۲۰). Feature selection ...
  • Hancer, E., Xue, B., Zhang, M., Karaboga, D., and Akay, ...
  • Hashemi, A., and Bagher, M. (۲۰۲۱). A pareto-based ensemble of ...
  • Huang, B., Buckley, B., and Kechadi, T.M. (۲۰۱۰). Multi-objective feature ...
  • Ibrahim, R.A., Abd Elaziz, M., Ewees, A.A., El-Abd, M., and ...
  • Junqueira, N., Marcelo, M., Nagano, S. (۲۰۲۰). Unsupervised feature selection ...
  • Khan, A., and Baig, A.R. (۲۰۱۵). Multi- Objective Feature Subset ...
  • Lee, I.G., Zhang, Q., Yoon, S.W., and Won, D. (۲۰۲۰). ...
  • Mohamed, A.A.A., Hassan, S.A., Hemeida, A.M., Alkhalaf, S., Mahmoud, M.M.M., ...
  • Müller, I.M. (۲۰۲۱). Feature selection for energy system modeling: Identification ...
  • Nematzadeh, H., Enayatifar, R., Mahmud, M., and Akbari, E. (۲۰۱۹). ...
  • Nosrati nahook, H., and Eftekhari, M. (۲۰۱۳). A New Method ...
  • (in Persian)Razmi, J., Heydaeriyeh, S.A., and Shahabi, A. (۲۰۱۴). Development ...
  • Schaffer, J.D. (۱۹۸۵). Some experiments in machine learning using vector ...
  • Sohrabi, M.K., and Tajik, A. (۲۰۱۷). Multi-objective feature selection for ...
  • Tang, X., Dai, Y., and Xiang, Y. (۲۰۱۹). Feature selection ...
  • Thirumoorthy, K., and Muneeswaran, K. (۲۰۲۱). Feature selection using hybrid ...
  • Tseng, T.L., and Huang, C.C. (۲۰۰۷). Rough set-based approach to ...
  • Wei, G., Zhao, J., Feng, Y., He, A., and Yu, ...
  • Xue, B., Zhang, M., and Browne, W.N. (۲۰۱۳). Particle swarm ...
  • Xue, Y., Zhong, J., Tan, T.H., Liu, Y., Cai, W., ...
  • Zakeri, A., and Hokmabadi, A. (۲۰۱۹). Efficient feature selection method ...
  • Zeng, D., Wang, S., Shen, Y., and Shi, S. (۲۰۱۷). ...
  • Zhang, X., Fan, Y., and Yang, J. (۲۰۲۱). Feature selection ...
  • Zhao, X., Cao, Y., Zhang, T., and Li, F. (۲۰۲۱). ...
  • Zhong, W., Chen, X., Ni, F., and Huang, J.Z. (۲۰۲۱). ...
  • Zhou, Y., Kang, J., Kwong, S., Wang, X., and Zhang, ...
  • نمایش کامل مراجع