استخراج ويژگي مجموعه داده‌هاي پزشكي داراي ابعاد بالا با استفاده از برنامه نويسي ژنتيك چند منظوره

Feature Extraction of High-Dimensional Medical Datasets Using Multi-Objective Genetic Programming

يكي از تكنيك‌هاي كاهش بعد استخراج ويژگي است كه يك فضاي چند بعدي را به يك فضاي با ابعاد كمتر نگاشت مي‌كند. يكي از چالش‌هاي داده‌كاوي طبقه‌بندي مجموعه داده‌هاي با ابعاد بالاي نامتوازن است. هدف از مقاله حاضر، استخراج ويژگي‌هاي مجموعه داده‌هاي پزشكي با ابعاد بالاي متوازن و نامتوازن است به طوري كه قادر باشد عملكرد طبقه‌بندي را در زير فضاي جديد بهبود بخشد. ابتدا با به كارگيري سه روش استخراج ويژگي تحليل مولفه اصلي(PCA)، تحليل تفكيك اصلي(LDA) و برنامه نويسي ژنتيك چند منظوره(MOGP) ابعاد داده ها را كاهش داده و سپس با سه معيار ارزيابي طبقه‌بندي، عملكرد هر سه روش مقايسه مي شود. نتايج تجربي بر روي 2 مجموعه داده پزشكي متوازن و 2 مجموعه داده پزشكي نامتوازن نشان مي‌دهد كه عملكرد برنامه نويسي ژنتيك چند منظوره نسبت به دو روش ذكر شده از دقت و اعتبار بالايي برخوردار بوده و قادر است دقت طبقه‌بندي را افزايش دهد.