انتخاب ويژگي چندكلاسه با مجموعه هاي فازي راف

Multi-Class Feature Selection with Fuzzy Rough Set

اﻧﺘﺨﺎب وﯾﮋﮔﯽﻫﺎي ﻣﻨﺎﺳﺐ ﺟﻬﺖ رﺳﯿﺪن ﺑﻪ ﺑﻬﺘﺮﯾﻦ ﻧﺘﯿﺠﻪ در ﻃﺒﻘﻪﺑﻨﺪي دادهﻫﺎ از ﻣﺒﺎﺣﺚ ﭼﺎﻟﺶ ﺑﺮاﻧﮕﯿﺰ دﻫﻪﻫﺎي اﺧﯿﺮ اﺳﺖ. اﮔﺮﭼﻪ از دﯾﺪﮔﺎه ﺗﺌﻮري، ﯾﺎدﮔﯿﺮي با ﺗﻌﺪاد وﯾﮋﮔﯽﻫﺎي ﺑﯿﺸﺘﺮ ﺑﺎﻋﺚ اﻓﺰاﯾﺶ دﻗﺖ ﭘﯿﺶﺑﯿﻨﯽ ﻣﯽﺷﻮد، اﻣﺎ ﺷﻮاﻫﺪ ﻋﻤﻠﯽ ﺑﯿﺎﻧﮕﺮ آن اﺳﺖ ﮐﻪ اﯾﻦ اﻣﺮ ﻫﻤﻮاره ﺻﺎدق ﻧﯿﺴﺖ؛ زﯾﺮا ﺗﻤﺎم وﯾﮋﮔﯽﻫﺎ، ﺑﺮاي ﺗﺸﺨﯿﺺ ﺑﺮﭼﺴﺐﮐﻼس دادهﻫﺎ ﻣﻬﻢ ﻧﯿﺴﺘﻨﺪ و ﯾﺎ ﺑﺮﺧﯽ از آﻧﻬﺎ اﺳﺎﺳﺎ ﺑﺎ ﺑﺮﭼﺴﺐ دادهﻫﺎ ﺑﯽارﺗﺒﺎط ﻫﺴﺘﻨﺪ. معيارهاي ارزيابي ويژگي نقش بسيار مهمي براي ساخت يك الگوريتم انتخاب ويژگي دارند. همچنين كلاس بندي دقيق مستلزم انتخاب خوب مشخصه ها است كه بوسيله آن مي‌توانيم ميان انواع مختلف طبقه بندي كننده‌ها تمايز قائل شويم. در اين مقاله يك معيار انتخاب ويژگي اصلاح شده وابسته به كلاس با استفاده از منطق فازي و مجموعه‌هاي راف براي انتخاب تعداد ويژگي هاي مورد نياز ﺟﻬﺖ اﻓﺰاﯾﺶ دﻗﺖ ﻃﺒﻘﻪﺑﻨﺪيﮐﻨﻨﺪه و ﮐﺎﻫﺶ ﭘﯿﭽﯿﺪﮔﯽ ارائه شده‌است. اين معيار روي داده‌هاي چندكلاسه پياده‌سازي شده‌است. مسئلۀ انتخاب ويژگي چند كلاسه در اينجا ابتدا تبديل به مسئلۀ باينري تك‌كلاسه تبديل شده سپس ويژگي‌هاي مناسب انتخاب مي‌شوند. در آخر عملكرد طبقه بندي با ويژگي‌هاي انتخاب شده از روش پيشنهادي با سه شيوۀ انتخاب ويژگي ديگر مقايسه شده است. نتايح حاصل نشان دهنده كارايي روش مزبور در مقايسه با روش هاي به كار رفته ديگر است. نوع طبقه‌بندي كنندۀ به كار رفته در اينجا الگوريتم نزديك ترين همسايگي است.

Appropriate feature selection is one of the considerable topic in data classification. Although learning with more features can increase accuracy of prediction, but it isn’t right according to practical results, because all features aren’t principal for recognition of labels of data. Maybe some features don’t have any connection to labels. Feature evaluation criterions have an important role in constructing a feature selection algorithm. Also, the best features must be chosen for accurate classification. This is one thing that can make discrimination in different classification methods. In this paper, a modified feature selection criterion is presented using fuzzy logic and rough set to select the number of features needed to increase classifier accuracy and reduce complexity. This criterion has been implemented on multi-class data. Here, multi-class feature selection problem is converted to a single class binary problem then the appropriate features are selected. At last, the result of classification with selected feature from proposed method is compared with these different feature selection methods. The results show effectiveness of the mentioned method in comparison with other methods. The K nearest neighbors algorithm is used as classifier here.