محبوبه صفری - دانشجوی دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد لامرد، لامرد، ایران
جعفر پرتابیان - گروه مهندسی کامپیوتر، واحد لامرد، دانشگاه آزاد اسلامی، لامرد، ایران
عادل جهانبانی - گروه مهندسی کامپیوتر، واحد لامرد، دانشگاه آزاد اسلامی، لامرد، ایران

یکی از مشکلات دادههای با ابعاد زیاد این است که در بیشتر مواقع تمام ویژگیها برای یافتن دانشی که در دادهها نهفته است مهم و حیاتی نیستند و حتی بعضی از ویژگیها منجر به گمراهی الگوریتمهای دادهکاوی میگردند. با توجه به زمانبربودن و پیچیدگی روشهای دقیق کاهش ویژگی، از روشهای بهینهسازی هوشمند بدین منظور استفاده میشود. تا با پیدا کردن بهینهترین زیرمجموعه ی ویژگیها از کل فضای ویژگیهای اصلی مساله، علاوه بر کاهش تعداد ویژگیها و هزینههای محاسباتی، نرخ بازشناسی را به میزان قابلتوجهی بهبود بخشید . در این پژوهش جهت کاهش ابعاددرمجموعه دادهها به کمک و الگوریتم انتخاب ویژگی PCA و الگوریتم بهینهسازی ژنتیک سعی شده است بهترین زیرمجموعه از ویژگیهای مجموعه داده انتخاب شود بهطوری که ضمن کاهش ابعاد میتوان به دقت خوشهبندی مطلوبی دست یافت.روش پیشنهادی درنرم افزارMATLAB پیادهسازی و بر روی مجموعه دادههای glass ، wine ،iris مورد آزمایش قرار گرفته شده است.همچنین برای مقایسهی نتایج روش پیشنهادی با الگوریتمهای خوشهبندی پایهی ،Single Linkage ،K-means Complete و Centroid Linkage, Average Linkage Ward Linkage ، Linkage و FCM از معیارهای فیشر، دقت وNmi بهرهگرفته شده است.نتایج آزمایشها نشان از کارایی رضایت بخش روش پیشنهادی درمواجهه با مجموعه دادههای مختلف دارد

الگوریتم بهینهسازی، انتخاب ویژگی، خوشهبندی،ژنتیک، کاهش ابعاد