مدلی برای کاهش ابعاد ویژگی مجموعه داده ها با استفاده از یادگیری عاطفی مغز

دادهکاوی ابزاری است که به شناسایی طرحهای معتبر و قابل فهم در داده ها میپردازد، قسمتی از این فرآیند راپیش پردازش داده ها تشکیل میدهد. انتخاب ویژگی یکی از مهمترین اقدامات پیش پردازش داده هاست. از نتایج مفید انتخاب ویژگی کاهش حجم داده های پردازشی، بهبود قابلیت تعمیم، افزایش سرعت و دقت الگوریتم های یادگیری را میتوان نام برد. در الگوریتم پیشنهادی این مقاله از شبکه عصبی مصنوعی قابل یادگیری استفاده میشود، که از مغز انسان الهام گرفته است. این ساختارشامل چهار بلاک اساسی است که عبارتند از آمیگدالا، اوربیتوفرانتال، سنسوری کورتکس و تالاموس. کورتکس، ساختاری رقابتی را به مدل اضافه میکند. ارزیابی راهکارپیشنهادی روی مجموعه داده های معتبرUCI در مقایسه با روشهای قبلی نشان میدهد دقت دسته بندی 5 تا 7درصد افزایش یافته است. همچنین نتایج نشان داد این راهکار میتواند در مجموعه داده ها با تعداد ویژگی بسیار زیاد استفاده گردد.

کلیدواژه ها:

ابعاد ویژگی ، انتخاب ویژگی ، داده کاوی ، شبکه عصبی ، یادگیری عاطفی مغز