انتخاب ویژگی مبتنی بر امتیاز فیشر با استفاده از داده های برچسب دار و بدون برچسب

یکی از فرایندهای مهم در مباحث مربوط به یادگیری ماشین و داده کاوی، انتخاب ویژگی است که با حذف ویژگی های نامرتبط و شناسایی ویژگی های موثر باعث سادگی و افزایش کارایی مدل می شود. انتخاب ویژگی نیمه نظارتی که از اطلاعات توزیع و ساختار هندسی داده های بدون برچسب به همراه داده های برچسب دار برای انتخاب ویژگی ها استفاده می کند، در بسیاری از کاربردهای دنیای واقعی که داده های برچسب دار کمی در دسترس هستند، می تواند مورد استفاده قرار گیرد. در این مقاله، یک روش انتخاب ویژگی نیمه نظارتی مبتنی بر امتیاز فیشر پیشنهاد می شود که با استفاده از واریانس داده ها و منظم سازی هسین، به جستجوی ویژگی ها با بهترین توانایی تفکیک پذیری و حفظ ساختار هندسی داده ها می پردازد. برای ارزیابی کارایی روش پیشنهادی، شبیه سازی هایی بر روی دو مجموعه داده انجام می شود. نتایج شبیه سازی ها نشان دادند که روش پیشنهادی کارایی بالاتری در مقایسه با سایر روش های انتخاب ویژگی بر روی هر دو مجموعه دارد و ویژگی های مناسب تری را نسبت به سایر روش ها انتخاب می کند