IFSB-ReliefF: يك روش انتخاب نمونه و ويژگي هم‌زمان بر مبناي ReliefF

افزايش استفاده از اينترنت و برخي از پديده ها مانند شبكه‌ هاي حس‌گر، منجر به افزايش غير ضروري اطلاعات شده است. اگرچه اين امر مزاياي بسياري دارد، اما باعث ايجاد مشكلاتي مانند نياز به فضاي ذخيره‌ سازي و پردازنده‌ هاي بهتر و همچنين پالايش اطلاعات براي حذف اطلاعات غيرضروري مي‌شود. الگوريتم‌ هاي كاهش داده، روش‌ هايي براي انتخاب اطلاعات مفيد از مقدار زيادي داده‌ هاي تكراري، ناقص و زائد فراهم مي ‌كنند. در اين مقاله، الگوريتم ReliefF كه يك الگوريتم رتبه‌ بندي ويژگي است، تغيير داده شده تا به‌طور هم‌زمان ويژگي ‌ها و نمونه‌ ها را انتخاب كند. الگوريتم پيشنهاد‌شده مي ‌تواند بر روي ويژگي ‌هاي اسمي و عددي و مجموعه‌داده‌ ها با مقادير مفقود اجرا و هم‌چنين، مي ‌تواند به‌صورت موازي روي يك پردازنده چند‌هسته‌ اي اجرا شود، كه اين امر باعث كاهش بسيار چشم‌گير زمان اجرا و امكان اجراي آن روي مجموعه‌داده ‌هاي بزرگ مي شود؛ علاوه‌بر‌اين، در اين الگوريتم، انتخاب نمونه از هر رده متناسب با احتمال پيشين رده است و در نتيجه توازن و نسبت اوليه رده‌ها در مجموعه اصلي از بين نخواهد رفت. نتايج آزمايش بر روي چهار مجموعه‌داده نشان‌دهنده موفقيت الگوريتم پيشنهادي در اين امر است.