ارائه ي يك روش كاهش ويژگي براي داده‌هاي پزشكي با استفاده از الگوريتم CSO بهبود يافته

افزايش چشمگير سرعت توليد اطلاعات در علوم مختلف از جمله حوزه پزشكي سبب شده است كه چالش‌هايي در بحث پيچيدگي محاسباتي الگوريتم‌هاي تشخيص الگو پديد آيد. همچنين وجود ويژگي‌هاي نامرتبط و يا زائد سبب كاهش دقت عمليات طبقه بندي داده‌ها نيز مي‌گردد. انتخاب ويژگي يكي از مباحث بنيادين در علم يادگيري ماشين و تشخيص الگو مي‌باشد كه سبب كاهش زمان اجراي الگوريتم و افزايش دقت در عمليات طبقه بندي داده‌ها مي‌شود. انتخاب ويژگي با رويكردها و روش‌هاي متفاتي مي‌تواند صورت پذيرد كه يكي از اين رويكردها روش لفافه مي‌باشد كه در اين مقاله سعي شده است با بهبود الگوريتم بهينه سازي ذرات رقابتي و بهره گيري از اپراتورهاي جهش و وراثت الگوريتم ژنتيك فرايند بهتري براي انتخاب ويژگي‌ها ارائه گردد به نحوي كه سبب افزايش دقت الگوريتم‌هاي طبقه بندي گردد. نتايج به دست آمده بيانگر آن است كه الگوريتم پيشنهادي در مقايسه با روش هاي CSO,PSO, Bare-Bone, GA، عملكرد بهتري در انتخاب ويژگي جهت عمليات طبقه بندي دارد كه در نهايت سبب افزايش دقت مي گردد.