بكارگيري عمليات انتخاب ويژگي جهت افزايش عملكرد سيستم هاي طبقه بندي كننده

روش های انتخاب ویژگی بر این اصل استوارند كه بكارگیری برخی ویژگی های موثر به جای كل آنها میتواند دقت و سرعت سیستم طبقه بندی را افزایش دهد. در این مقاله یك روش تركیبی مبتنی بر انتخاب ویژگی بر مبنای الگوریتم ژنتیك و شبكه های عصبی برای حل مشكلات طبقه بندی ارائه می شود. ایده اصلی این است كه مجموعه ای از ویژگی های مهم با استفاده از الگوریتم ژنتیك با تابع ارزیابی شبكه عصبی انتخاب شده و به عنوان داده های ورودی در مسأله طبقه بندی مورد استفاده قرار گیرند. همچنین، برای ایجاد مدل طبقه بندی كننده، شبكه عصبی پرسپترون چند لایه مورد استفاده قرار گرفت. تعداد نرونها در لایه میانی شبكه پرسپترون تاثیر زیادی بر روی عملكرد این شبكه ها دارد، از این رو جهت بدست آوردن تعداد نرون های بهینه، شبكه عصبی به ازای 10 تا 50 نرون در لایه میانی خود مورد اجرا و آموزش قرار گرفت و تعداد نرون های بهینه بر اساس بیشترین میزان دقت طبقه بندی انتخاب شدند. میانگین مربعات خطا، حساسیت و ویژگی دیگر معیارهایی هستند كه برای سنجش روش ارائه شده انتخاب شدند. این روش با روش انتخاب ویژگی ReliefF كه از یك راه حل آماری برای انتخاب ویژگی استفاده می كند مورد مقایسه قرار گرفت و نتایج حاصل نشان داد كه روش پیشنهادی از دقت و عملكرد بهتری برخوردار است.