روشی موثر در انتخاب صفات خاصه پراهمیت تر جهت پیش پردازش داده ها در الگوریتمهای دسته بندی داده ها

امروزه در دنیای واقعی با حجم بالایی از مجموعه داده ها روبرو هستیم که می تواند شامل شاید میلیاردها نمونه و هزاران صفت خاصه باشند از این رو پارامتر مقیاس پذیری الگوریتمهای ارایه شده در داده کاوی یکی از پارامترهای کلیدی آن به شمار می رود انتخاب زیرمجموعه ای از کلیه صفات خاصه متعلق به مجموعه داده های اولیه که به تکنیکهای کاهش داده ها نیز مشهود است می توند در بهبود این پارامتر نقش به سزایی داشته باشد. دراین مقاله با تاکید برا لگوریتمهای طبقه بندی داده ها معیارهایی جهت تفکیک پذیری بین کلاس معرفی و صفات خاصه پر اهمیت تر در مجموعه داده ها انتخاب می شوند بررسی و اجرای چندین الگوریتم طبقه بندی داده ها برروی داده های کاهش یافته و مقایسه این نتایج تجربی بدست آمده با اجرای الگوریتم های مزبور برروی کل داده ها دقت مناسب و قابل قبولی را نشان میدهد

کلیدواژه ها:

کاهش ابعاد داده ها ، دسته بندی داده ها ، داده کاوی ، انتخاب صفت خاصه