این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم و فنون مدیریت اطلاعات، جلد ۹، شماره ۳، صفحات ۳۲-۷
عنوان فارسی توسعه یک روش انتخاب مشخصه مبتنی بر نظریه اطلاعات و الگوریتم ژنتیک
چکیده فارسی مقاله هدف: در مواجهه با مجموعه داده‌‌های با ابعاد بالا، کاهش بُعد یک گام پیش‌پردازشی مهم برای حصول دقت بالا، کارایی و مقیاس‌پذیری در مسائل کلاسبندی است. هدف تحقیق حاضر ارائه یک روش انتخاب مشخصه در مواجهه با مجموعه داده‌‌های با ابعاد بالا، با استفاده از کاهش بُعد و الگوریتم ژنتیک است.
روش: در این تحقیق یک الگوریتم ابتکاری توسعه یافته است که با استفاده از یک معیار جدید، اطلاعات متقابل بین ویژگی‌‌ها و کلاس هدف را مشخص می‌‌کند. در این روش مشخصه‌‌های جدید براساس ترکیب یا تبدیل مشخصه‌‌های اصلی تولید می‌‌شود و به این ترتیب فضای چند بُعدی، به فضایی جدید با ابعاد کمتر نگاشت پیدا می‌‌کند. همچنین علاوه‌بر در نظر گرفتن معیار جدید اطلاعات متقابل، از الگوریتم ژنتیک به منظور بهبود سرعت روش پیشنهادی استفاده شده است.
یافته‌‌ها: عملکرد این روش بر روی مجموعه داده‌‌هایی با ابعاد مختلف، که تعداد مشخصه‌‌ها در آن‌‌ها از 13 تا 60 متفاوت بوده، ارزیابی شده است. ارزیابی روش پیشنهادی در مقایسه با روش‌‌های مشابه، از لحاظ دقت کلاسبند بررسی شده و نتایج نویدبخشی بدست آمد.
نتیجه‌گیری: روش پیشنهادی با روش‌‌های MRMR, DISR, JMI, NJMIM در مجموعه داده‌‌های متفاوت اعمال شده است. متوسط دقت‌‌های به دست آمده از روش پیشنهادی 65.32، 74.51، 70.88 و 58.2 درصد می‌‌باشد، که حاکی از کارآمدی روش پیشنهادی است. طبق نتایج بدست آمده، به جز در مورد مجموعه داده sonar که نتیجه‌‌ای بهتر از روش پیشنهادی داشته است، متوسط عملکرد روش پیشنهادی بهتر از DISR, JMI, NJMIM و MRMR بوده است.
کلیدواژه‌های فارسی مقاله انتخاب مشخصه، پیش پردازش داده، تئوری اطلاعات، الگوریتم ژنتیک، کلاسبند،
عنوان انگلیسی A Feature Selection Method Based on Information Theory and Genetic Algorithm
چکیده انگلیسی مقاله Purpose: When dealing with high-dimensional datasets, dimensionality reduction is a crucial preprocessing step to achieve high accuracy, efficiency, and scalability in classification problems. This research aims to introduce a feature selection method for high-dimensional datasets by employing dimensionality reduction and genetic algorithms.
Method: In this study, an innovative algorithm has been developed to determine the mutual information between features and the target class using a new criterion. In this method, new characteristics are generated through the combination or transformation of the original characteristics. In this manner, the multi-dimensional space is transformed into a new space with fewer dimensions. In addition to considering the new criterion of mutual information, a genetic algorithm has been employed to enhance the speed of the proposed method.
Findings: The performance of this method has been evaluated on datasets of varying dimensions, with the number of features ranging from 13 to 60. The proposed method has been evaluated in comparison to similar methods, focusing on classification accuracy. The results have been promising.
Conclusion: The proposed method has been applied using MRMR, DISR, JMI, and NJMIM methods on various datasets. The average accuracies obtained from the proposed method are 65.32%, 74.51%, 70.88%, and 58.2%, indicating the efficiency of the proposed method. According to the results obtained, the proposed method outperformed DISR, JMI, NJMIM, and MRMR on average, except for the sonar data set, where the sonar data set yielded better results than the proposed method.
 
کلیدواژه‌های انگلیسی مقاله انتخاب مشخصه, پیش پردازش داده, تئوری اطلاعات, الگوریتم ژنتیک, کلاسبند
نویسندگان مقاله مهدی جباری |
کارشناسی ارشد، گروه مهندسی کامپیوتر، دانشگاه صنعتی قم، قم، ایران.

جلال رضائی نور |
استاد، گروه مهندسی صنایع، دانشگاه قم، قم، ایران

امیرحسین اکبری |
دانشجوی دکتری، دانشکده مهندسی صنایع، دانشگاه علم و صنعت، تهران، ایران.

نشانی اینترنتی https://stim.qom.ac.ir/article_2409_7aec7aaf2e0d1365c56864aaa88f874e.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات