فهرست نشریات علمی دسترسی آزاد ایران

هدف: در مواجهه با مجموعه داده‌‌های با ابعاد بالا، کاهش بُعد یک گام پیش‌پردازشی مهم برای حصول دقت بالا، کارایی و مقیاس‌پذیری در مسائل کلاسبندی است. هدف تحقیق حاضر ارائه یک روش انتخاب مشخصه در مواجهه با مجموعه داده‌‌های با ابعاد بالا، با استفاده از کاهش بُعد و الگوریتم ژنتیک است.روش: در این تحقیق یک الگوریتم ابتکاری توسعه یافته است که با استفاده از یک معیار جدید، اطلاعات متقابل بین ویژگی‌‌ها و کلاس هدف را مشخص می‌‌کند. در این روش مشخصه‌‌های جدید براساس ترکیب یا تبدیل مشخصه‌‌های اصلی تولید می‌‌شود و به این ترتیب فضای چند بُعدی، به فضایی جدید با ابعاد کمتر نگاشت پیدا می‌‌کند. همچنین علاوه‌بر در نظر گرفتن معیار جدید اطلاعات متقابل، از الگوریتم ژنتیک به منظور بهبود سرعت روش پیشنهادی استفاده شده است.یافته‌‌ها: عملکرد این روش بر روی مجموعه داده‌‌هایی با ابعاد مختلف، که تعداد مشخصه‌‌ها در آن‌‌ها از 13 تا 60 متفاوت بوده، ارزیابی شده است. ارزیابی روش پیشنهادی در مقایسه با روش‌‌های مشابه، از لحاظ دقت کلاسبند بررسی شده و نتایج نویدبخشی بدست آمد.نتیجه‌گیری: روش پیشنهادی با روش‌‌های MRMR, DISR, JMI, NJMIM در مجموعه داده‌‌های متفاوت اعمال شده است. متوسط دقت‌‌های به دست آمده از روش پیشنهادی 65.32، 74.51، 70.88 و 58.2 درصد می‌‌باشد، که حاکی از کارآمدی روش پیشنهادی است. طبق نتایج بدست آمده، به جز در مورد مجموعه داده sonar که نتیجه‌‌ای بهتر از روش پیشنهادی داشته است، متوسط عملکرد روش پیشنهادی بهتر از DISR, JMI, NJMIM و MRMR بوده است.