ارائه یک روش انتخاب ویژگی مبتنی بر انتگرال فازی در یادگیری چندبرچسبی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 166

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ABMIR-1-1_001

تاریخ نمایه سازی: 1 بهمن 1401

چکیده مقاله:

الگوریتم های یادگیری چندبرچسبی به دلیل حجم و ابعاد بالای داده های چندبرچسبی و همچنین وجود نویز در آنها، با چالش های فراوانی مواجه هستند. انتخاب ویژگی یک تکنیک موثر برای برطرف کردن این چالش ها است. در این مقاله یک روش انتخاب ویژگی مبتنی بر یک رویکرد شورایی برای داده های چندبرچسبی ارائه شده است. در روش پیشنهادی، سه ماتریس تصمیم مختلف بر اساس معیار های ارزیابی ویژگی مختلف با درنظرگرفتن همگرایی ویژگی ها با برچسب های کلاس و همچنین افزونگی ویژگی ها نسبت به هم در فرایند انتخاب ویژگی موثر هستند. این سه ماتریس تصمیم در نهایت بر اساس یک رویکرد شورایی مبتنی بر مفهوم انتگرال فازی با هم ترکیب می شوند تا ارزیابی ویژگی ها بر اساس مقدار تجمیع شده صورت گیرد. برای ارزیابی عملکرد الگوریتم پیشنهادی، مقایساتی با چندین الگوریتم مشابه بر روی چند مجموعه داده مختلف صورت گرفته است. نتایج به دست آمده از آزمایش ها انجام شده، نشان دهنده عملکرد مناسب الگوریتم پیشنهادی در مقایسه با سایر الگوریتم ها است.

نویسندگان

امین هاشمی

گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه لرستان، خرم آباد، ایران

محمدباقر دولتشاهی

گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه لرستان، خرم آباد، 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 :
  • Hashemi, A., Bagher Dowlatshahi, M., and Nezamabadi-pour, H. (۲۰۲۱) An ...
  • Dhal, P. and Azad, C. (۲۰۲۲) A comprehensive survey on ...
  • Deng, X., Li, Y., Weng, J., and Zhang, J. (۲۰۱۹) ...
  • Hashemi, A., Dowlatshahi, M.B., and Nezamabadi-pour, H. (۲۰۲۰) MFS-MCDM: Multi-label ...
  • Kashef, S., Nezamabadi-pour, H., and Nikpour, B. (۲۰۱۸) Multilabel feature ...
  • Hashemi, A., Dowlatshahi, M.B., and Nezamabadi-Pour, H. (۲۰۲۰) A bipartite ...
  • Cai, J., Luo, J., Wang, S., and Yang, S. (۲۰۱۸) ...
  • Bolón-Canedo, V. and Alonso-Betanzos, A. (۲۰۱۹) Ensembles for feature selection: ...
  • Paniri, M., Dowlatshahi, M.B., and Nezamabadi-pour, H. (۲۰۲۰) MLACO: A ...
  • Hashemi, A., Dowlatshahi, M.B., and Nezamabadi-pour, H. (۲۰۲۰) MGFS: A ...
  • Hashemi, A., Dowlatshahi, M.B., and Nezamabadi-Pour, H. (۲۰۲۱) A bipartite ...
  • Che, X., Chen, D., and Mi, J. (۲۰۲۰) A novel ...
  • Paniri, M., Dowlatshahi, M.B., and Nezamabadi-pour, H. (۲۰۲۱) Ant-TD: Ant ...
  • Zhang, P., Liu, G., and Gao, W. (۲۰۱۹) Distinguishing two ...
  • Paul, D., Jain, A., Saha, S., and Mathew, J. (۲۰۲۱) ...
  • Fan, Y., Liu, J., Weng, W., Chen, B., Chen, Y., ...
  • Beliakov, G. and Divakov, D. (۲۰۲۰) On representation of fuzzy ...
  • Ayub, M. (۲۰۰۹) Choquet and Sugeno Integrals, ۲۰۰۹ ...
  • Hashemi, A., Dowlatshahi, M.B., and Nezamabadi-pour, H. (۲۰۲۲) Ensemble of ...
  • Ueda, N. and Saito, K. (۲۰۰۳) Parametric mixture models for ...
  • Charte, F. and Charte, D. (۲۰۱۵) Working with multilabel datasets ...
  • Reyes, O., Morell, C., and Ventura, S. (۲۰۱۵) Scalable extensions ...
  • Huang, R., Jiang, W., and Sun, G. (۲۰۱۸) Manifold-based constraint ...
  • Cherman, E.A., Spolaôr, N., Valverde-Rebaza, J., and Monard, M.C. (۲۰۱۵) ...
  • نمایش کامل مراجع