تحلیل عملکرد دو روش انتخاب ویژگی NSGA-II و GA به منظور استفاده در طبقه بندی تصاویر

مساله انتخاب ویژگی امری مهم در حوزه پژوهشی یادگیری ماشین و طبقه بندی تصاویر است. جستجوی زیرمجموعه ای بهینه از یک فضای ویژگی با ابعادی بزرگ می تواند تاثیر بسزایی بر بهبود عملکرد الگوریتم طبقه بندی داشته باشد. انتخاب ویژگی با استفاده از روشهای بهینه سازی فراابتکاری و الگوریتم های تکاملی از جمله رویکردهای مناسبی هستند که بر اساس معیارهای انتخاب ویژگی، راه حلهای مطلوبی را ارایه می دهند. در این مقاله انتخاب ویژگی بر اساس الگوریتم های GA و NSGA-II مورد تحلیل و بررسی قرار گرفته است. ارزیابی عملکرد GA و NSGA-II ، نشان می دهد هر دو الگوریتم می توانند بین کیفیت راه حل و زمان محاسباتی، تعادل ایجاد کرده و متناسب با وضعیت خاص مساله مورد استفاده قرار بگیرند

کلیدواژه ها:

انتخاب ویژگی ، بهینه سازی چندهدفه ، الگوریتم ژنتیک ، الگوریتم ژنتیک با مرتب سازی نامغلوب ، پارتو فرانت