کاربرد الگوریتم های تکاملی در انتخاب واستخراج ویژگی در داده کاوی

انتخاب واستخراج ویژگی ها از بهترین ومهم ترین وظایف وگام ها برای تجزیه وتحلیل داده وپردازش اطلاعات در سیستم های طبقه بندی الگو و برنامه های کاربردی داده کاوی است. انتخاب و استخراج ویژگی ها می توانند بر عملکرد سیستم تشخیص الگو تاثیر بگذارند. انتخاب ویژگی، تعداد ویژگی هارا بوسیله از بین بردن خطاها، اطلاعات وداده های غیر ضروری کاهش می دهد.در این گزارش از سه تکنیک انتخاب ویژگی مبتنی بر بهینه سازی کلونی مورچه ACO استفاده شده است تا کاربرد این الگوریتم ها را در داده کاوی بیان نماید. این تکنیک های ذکرشده عبارتند از: الگوریتم بهینه سازی کلونی مورچه ی پیشرفته برای اتخاب زیر مجموعه ویژگی، روش انتخاب ویژگی بهبودیافته مبتنی بربهینه سازی کلونیمورچه ACO ارزیابی شده برروی سیستم تشخیص چهره وسیستم طبقه بندی ترکیبی مبتنی بر کلونی مورجه با انتخاب زیر مجموعه ویژگی ها و بهینه سازی پارامترهای مدل. متداول ترین تکنیک های مبتنی بر ACO برای انتخاب ویژگی ازاطلاعات پیشین ویژگی ها استفاده می کنند. در سیستم طبقه بندی مبتنی بر کلونی مورچه یک مدل ارایه می شود که ترکیبی از ACO وماشین آلات بردار پشتیبان SVM می باشد که هدف آن بهبود دقت طبقه بندی با کوچک ترین ومناسب ترین زیر مجموعه ویژگی است. همچنین یک الگوریتم اتخاب ویژگی نوین مبتنی بر بهینه سازی کلونی مورچه که ACO ی پیشرفته باینری نامیده می شود ارایه شده است. در الگوریتم های پیشنهاد شده عملکرد طبقه بندی کننده و طول بردار ویژگی انتخاب شده به عنوان اطلاعات اکتشافی برای ACO تصویب شده است. نتایج تجربی بدست آمده نشان می دهد که الگوریتم های پیشنهاد شده برای انتخاب ویژگی عملکرد بهتری نسبت به سایر روش های انتخاب ویژگی دارند و سبب بالا رفتن دقت طبقه بندی شده وزیر مجموعه ویژگی مناسب و کوچک تری ایجاد می کنند.

کلیدواژه ها:

الگوریتم بهینه سازی کلونی مورچه ، داده کاوی ، استخراج ویژگی ، ماشین الات بردار پشتیبان