بهبود انتخاب ویژگی برای طبقه بندی با استفاده از محاسبات تکاملی

بهبود انتخاب ویژگی برای طبقه بندی با استفاده از محاسبات تکاملی


بهبود انتخاب ویژگی برای طبقه بندی با استفاده از محاسبات تکاملی

نوع: Type: پایان نامه

مقطع: Segment: کارشناسی ارشد

عنوان: Title: بهبود انتخاب ویژگی برای طبقه بندی با استفاده از محاسبات تکاملی

ارائه دهنده: Provider: مهسا بوجاری - مهندسی کامپیوتر

اساتید راهنما: Supervisors: دکتر حسن ختن لو، دکتر محرم منصوری زاده

اساتید مشاور: Advisory Professors:

اساتید ممتحن یا داور: Examining professors or referees: دکتر رضا محمدی، دکتر مه لقا افراسیابی

زمان و تاریخ ارائه: Time and date of presentation: 1402/11/15، 16:00

مکان ارائه: Place of presentation: سمینار مهندس خانمحمدی، دپارتمان برق

چکیده: Abstract: در بسیاری از مسائل یادگیری ماشین تعداد زیادی ویژگی وجود دارد که همه این ویژگی‌ها ضروری نیستند؛ زیرا بسیاری از آنها اضافی یا حتی نامربوط هستند که ممکن است عملکرد یک الگوریتم طبقه بندی را کاهش دهند. هدف از انتخاب ویژگی، حل این مشکل با انتخاب تنها زیرمجموعه کوچکی از ویژگی‌های مرتبط از مجموعه ویژگی بزرگ اصلی است. با حذف ویژگی‌های نامربوط و زائد، انتخاب ویژگی می‌تواند ابعاد داده‌ها را کاهش دهد، روند یادگیری را تسریع کند، مدل آموخته‌شده را ساده‌سازی کند و یا کارایی را افزایش دهد. انتخاب ویژگی به دلیل دارا بودن فضای جستجوی بزرگ، کار دشواری است. از بین روش های مختلف موجود برای انتخاب ویژگی، روش‌های محاسبات تکاملی به دلیل توانایی یا پتانسیل جستجوی سراسری خود برای حل مسئله انتخاب ویژگی در سال های اخیر توجه زیادی را به خود جلب کرده اند. هدف این پژوهش، بهبود دقت طبقه بندی در مسائل انتخاب ویژگی با استفاده از الگوریتم های تکاملی است. مهم ترین چالش های مسئله انتخاب ویژگی، مقیاس پذیری، هزینه محاسباتی، روش های جستجو، معیار ارزیابی و تعداد نمونه ها است. ما در این پژوهش برای کاهش هزینه محاسباتی به ویژه در مقیاس بزرگ از روشی برای ترکیب انتخاب ویژگی و انتخاب نمونه استفاده کردیم و این روش را به عنوان روش پایه در همه آزمایش ها استفاده کردیم. برای بهبود دقت طبقه بندی از ترکیب روش پایه با الگوریتم های تکاملی مختلف به عنوان روش جستجو استفاده کردیم و از 13 مجموعه‌داده برای ارزیابی روش پیشنهادی استفاده کردیم. پس از اجرای آزمایش های مختلف موفق به بهبود دقت طبقه بندی نسبت به روش پایه شدیم.

فایل: ّFile: