| عنوان فارسی مقاله: |
یک الگوریتم تکاملی هیبریدی برای انتخاب ویژگی در داده کاوی |
| عنوان انگلیسی مقاله: |
A hybrid evolutionary algorithm for attribute selection in data mining |
چکیده
مجموعه داده های موجود واقعی اغلب با اختلال آمیخته شده اند، از این رو ساخت فرایند داده کاوی پس از آن را دشوار می کند. وظیفه کسی که طبقه بندی می کند می تواند با از بین بردن ویژگی هایی که فرض می شود برای طبقه بندی اضافه هستند، ساده شود، مثلا حفظ فقط ویژگی های مربوطه که اندازه مجموعه داده را کاهش می دهد و پس از آن اجازه می دهد تا تجزیه و تحلیل قابل فهم تری از الگوهای استخراج شده و یا قوانین داشته باشیم. در این مقاله، یک روش جدید ترکیبی متشکل از دو الگوریتم یادگیری ماشین مرسوم به منظور انجام انتخاب ویژگی مطرح شده است. الگوریتم های ژنتیکی (GAها) و ماشین های بردار پشتیبان(SVMها) به طور موثری بر اساس یک رویکرد لفاف یکی شده اند. به طور خاص، جزء GA بهترین ویژگی را با استفاده از اصول یک روند تکاملی جستجو می کند. سپس SVM الگوها را در مجموعه داده های کاهیده، مطابق با ویژگی زیر مجموعه های ارائه شده توسط کروموزوم های GAطبقه بندی می کند. هیبریدGA-SVM پیشنهادی متعاقبا با استفاده از مجموعه داده های به دست آمده از مخزن یادگیری ماشین UCI قانونی شمرده می شود. نتایج شبیه سازی نشان می دهد که هیبرید GA-SVM دقت طبقه بندی مناسب و سطح بالاتری از سازگاری را به وجود می آورد که قابل مقایسه با دیگر الگوریتم های منتشر شده می باشد. علاوه بر این اصلاحات، هیبرید را با استفاده از سنجش همبستگی بین صفاتی مانند میزان سلامتی به جای اعضای ضعیف تر موجود در جمعیت دارای کروموزوم تازه شکل یافته می سازند. این تنوع بیشتر تزریق می شودو سلامتی کلی جمعیت افزایش می یابد. به همین ترتیب، مکانیسم بهبود یافته نیز در همان مجموعه داده های مورد استفاده در مرحله اول تایید می شوند. نتایج اصلاحات را در دقت طبقه بندی تصدیق می کند و توانایی های بالقوه خود را به عنوان یک طبقه بندی کننده خوب برای مقاصد داده کاوی در آینده اثبات می کند.
