بهبود انتخاب ویژگی با الگوریتم های تکاملی بهینه سازی ازدحام ذرات و ژنتیک برای طبقه بندی متن

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:

انتخاب ویژگی ، الگوریتم ژنتیک (GA) ، الگوریتم بهینه سازی ازدحام ذرات (PSO) ، طبقه بندی