بهبود انتخاب ویژگی با الگوریتم های تکاملی بهینه سازی ازدحام ذرات و ژنتیک برای طبقه بندی متن
محل انتشار: نخستین سمپوزیوم ملی رباتیک و هوش مصنوعی
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,846
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
PNUOPEN01_002
تاریخ نمایه سازی: 14 مرداد 1394
چکیده مقاله:
پیدا کردن زیرمجموعه ای بهینه از یک مجموعه بزرگ ویژگی، مسئله ای است که در اغلب زمینه ها با آن مواجه هستیم. از آنجایی که بالا بودن تعداد ویژگی ها بارمحاسباتی سیستم را بالا می برد، نیاز به ارائه ی سیستمی با کمترین تعداد ویژگی و کارایی قابل قبول ضروری به نظر می رسد. در این مقاله ما با استفاده از دو الگوریتم تکاملی بهینه سازی ازدحام ذرات (PSO) و الگوریتم ژنتیک (GA) انتخاب ویژگی را بر روی مجموعه داده های متنی انجام داده ایم و سپس ویژگی های انتخاب شده را به دسته بند SVM دادیم تا دقت دسته بند را محاسبه کنیم. این الگوریتم ها بر روی مجموعه داده های German, Ionosphere, Spambase شبیه سازی شده اند. سپس نتایج به دست آمده توسط هردو الگوریتم را مورد مقایسه قرار داده ایم که نتایج نشان دهنده برتری الگوریتم ژنتیک می باشد.
کلیدواژه ها:
نویسندگان
مژگان رحیمی راد
گروه کامپیوتر، دانشگاه آزاد اسلامی سوسنگرد
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :