فایزه شکیبایی - گروه مهندسی پزشکی، دانشکده مهندسی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
الهام متقی - گروه مهندسی پزشکی، دانشکده مهندسی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
مجید قشونی - استادیار گروه مهندسی پزشکی، دانشکده مهندسی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران،

انتخاب ویژگیهای مناسب جهت رسیدن به بهترین نتیجه در طبقه بندی دادهها از مباحث چالش برانگیز دهه های اخیر است. اگرچه از دیدگاه تیوری، یادگیری با تعداد ویژگیهای بیشتر باعث افزایش دقت پیشبینی میشود، اما شواهد عملی بیانگر آن است که این امر همواره صادق نیست؛ زیرا تمام ویژگیها، برای تشخیص برچسب کلاس دادهها مهم نیستند و یا برخی از آنهااساسا با برچسب دادهها بیارتباط هستند. معیارهای ارزیابی ویژگی نقش بسیار مهمی برای ساخت یک الگوریتم انتخاب ویژگی دارند. همچنین کلاس بندی دقیق مستلزم انتخاب خوب مشخصه ها است که بوسیله آن میتوانیم میان انواع مختلف طبقه بندی کنندههاتمایز قایل شویم. در این مقاله یک معیار انتخاب ویژگی اصلاح شده وابسته به کلاس با استفاده از منطق فازی و مجموعه های راف برای انتخاب تعداد ویژگی های مورد نیاز جهت افزایش دقت طبقه بندی کننده و کاهش پیچیدگی ارایه شدهاست. این معیار رویدادههای چندکلاسه پیادهسازی شدهاست. مسیله انتخاب ویژگی چند کلاسه در اینجا ابتدا تبدیل به مسیله باینری تک کلاسه تبدیل شده سپس ویژگیهای مناسب انتخاب میشوند. در آخر عملکرد طبقه بندی با ویژگیهای انتخاب شده از روش پیشنهادی با سه شیوه انتخاب ویژگی دیگر مقایسه شده است. نتایح حاصل نشان دهنده کارایی روش مزبور در مقایسه با روش های به کار رفته دیگر است. نوع طبقهبندی کننده به کار رفته در اینجا الگوریتم نزدیک ترین همسایگی 1 است

انتخاب ویژگی، منطق فازی، مجموعههای راف، طبقه بندی، الگوریتم نزدیکترین همسایگی (KNN)