يك روش انتخاب ويژگي‌ نيمه‌نظارتي جديد بر اساس منظم‌سازي هسين

A new semi-supervised feature selection method based on Hessian Regularization

يكي از تكنيك‌هاي مهم در يادگيري ماشين و داده كاوي، انتخاب ويژگي است است كه با انتخاب ويژگي‌هاي مناسب و حذف ويژگي‌هاي زائد باعث افزايش سرعت و كارايي مدل مي‌شود. در بسياري از كاربردها، داده‌هاي برچسب‌دار كمي وجود دارند در حالي كه داده‌هاي بدون برچسب زيادي در دسترس هستند. در چنين كاربردهايي، روش‌هاي انتخاب ويژگي نيمه‌نظارتي مي‌توانند مورد استفاده قرار بگيرند. روش‌هاي انتخاب ويژگي نيمه‌نظارتي با استفاده از اطلاعات برچسب داده‌هاي برچسب‌دار و اطلاعات توزيع و ساختار هندسي داده‌هاي برچسب‌دار و بدون برچسب مناسب‌ترين ويژگي‌ها را انتخاب مي‌كنند. در اين مقاله، يك روش انتخاب ويژگي نيمه‌نظارتي مبتني بر آناليز تشخيصي افتراقي و منظم‌سازي هسين پيشنهاد مي‌شود كه اطلاعات توزيع و ساختار هندسي داده‌ها را در هنگام انتخاب ويژگي‌ها در نظر مي‌گيرد. روش پيشنهادي در محاسبه ماتريس پراكندگي درون كلاسي و برون كلاسي، از منظم‌سازي هسين استفاده مي‌كند كه به خوبي توزيع و ساختار هندسي داده‌ها را حفظ مي‌كند. براي ارزيابي كارايي روش پيشنهادي، از دو مجموعه داده تصوير استفاده مي‌شود و با ساير روش‌هاي انتخاب ويژگي مقايسه مي‌شود. نتايج آزمايش‌ها، برتري روش پيشنهادي نسبت به ساير روش‌هاي انتخاب ويژگي را نشان مي‌دهد.