نیره قهرمان - مرکز آموزش علمی کاربردی گروه انتخاب، اصفهان، ایران
مریم محمدی سرپیری - دانشگاه آزاد اسلامی اصفهان (خوراسگان)، اصفهان، ایران
مرجان محمودی - دانشگاه آزاد اسلامی نجف آباد، اصفهان، ایران

پیشرفت های بوجود آمده در جمع آوری داده و قابلیت های ذخیره سازی در طی دهه های اخیر باعث شده در بسیاری از علوم با حجم بزرگی از اطلاعات روبرو شویم. این موضوع باعث ایجاد چالش های جدیدی در تحلیل داده شده است. یکی از این مشکلات که از اهمیت بالایی برخوردار است افزایش تعداد ویژگی های مربوط به یک مشاهده می باشد. مقاله های علمی روش های مختلفی برای کاهش ابعاد مجموعه ویژگی ارائه نموده اند، شبکه های عصبی، قوانین منطقی و الگوریتم های مختلف یادگیری ماشین از آن جمله اند. ایده اصلی در این مطالعه انتخاب بهترین ویژگی ها با بهره گیری از ارزیابی کننده های مختلف ویژگی می باشد. هدف از این مطالعه کاهش زمان آموزش، آزمایش و تصمیم گیری الگوریتم است. نتایجی که با استفاده از متدهای مختلف ارزیابی ویژگی ها به دست آمد متفاوت و بهتر از روش های قبلی است، همچنین انتخاب نسبت به اندازه ی مجموعه های آموزش و آزمایش مورد بررسی قرار گرفت و نتایج نهایی نشان داد انتخاب مناسب نسبت نمونه های مجموعه آموزش و آزمایش در کاربردهای مختلف می تواند باعث افزایش دقت گردد. مجموعه داده در این مقاله قارچ های سمی و خوراکی از پایگاه داده ی معتبر UCI می باشد. همچنین جهت دسته بندی از شبکه عصبی استفاده شده است.

شبکه عصبی، کلاس بندی، انتخاب ویژگی، ارزیابی کننده ی ویژگی، متد جستجو