انتخاب ویژگی بهبودیافته مبتنی بر نظریه بازی های مشارکتی

امروزه با رشد و پیشرفت فناوری و صنعت، پایگاه داده هایی با حجم بالا به وجود آمده اند که پیدا کردن زیر مجموعه بهینه از این مجموعه داده های بزرگ، یکی از دغدغه های محققان می باشد. ازاین رو، پردازش داده ها با تعداد ویژگی های زیاد، بار محاسباتی را بالا می برد. لذا انتخاب یک زیرمجموعه ویژگی با کمترین تعداد و کارایی بالا یک موضوع بسیار مهم می باشد. در این مقاله الگوریتم FSCG پیشنهادشده است که ابتدا با استفاده از روش F-Score، ویژگی ها مرتب شده و سپس برای هر ویژگی ارزش شپلی-شوبیک محاسبه شده تا سهم هر ویژگی در یک همکاری مشخص شود. لذا ارزش شپلی-شوبیک کمک می کند تا سهم هر ویژگی در یک همکاری که نقطه ضعف F-Score هست را پیدا کنیم و در مقابل F-score که ویژگی های دو کلاس را به خوبی از هم تشخیص می دهد نقطه ضعف ارزش شپلی-شوبیک که پیچیدگی محاسباتی بالا به خاطر تعداد زیاد انتخاب ویژگی های جفت با ایتلاف های بین ویژگی هاست را می پوشاند. این الگوریتم روی تعدادی از پایگاه داده از داده های UCI پیاده سازی شده و نتایج آن با روشSVM مقایسه شده است.