انتخاب ويژگي چندبرچسبي با استفاده از الگوريتم بهينه ساز جمعيت رقابتي

انتخاب ويژگي يكي از اساسي‌ترين مراحل پيش پردازش داده‌ها در يادگيري ماشين است كه با كاهش ابعاد در مجموعه داده‌ها باعث صرفه‌جويي در منابع و افزايش سرعت محاسبات مي‌شود. همچنين، انتخاب ويژگي مي‌تواند با حذف ويژگي‌هاي غيرمرتبط و افزونه باعث افزايش دقت و كارايي الگوريتم‌هاي يادگيري ماشين شود. در اين مقاله، يك روش جديد تعبيه‌شده براي انتخاب ويژگي چندبرچسبي پيشنهاد شده است كه در آن، مساله انتخاب ويژگي چندبرچسبي براي اولين بار با استفاده از الگوريتم بهينه‌ساز جمعيت رقابتي حل خواهد شد. در روش پيشنهادي، ابتدا جمعيتي از ذرات ساخته مي‌شود، سپس ذرات به دو دسته مساوي تقسيم شده و به صورت جفت با هم رقابت مي‌كنند، ذرات برنده به تكرار بعد منتقل شده و ذرات بازنده از برنده‌ها ياد مي‌گيرند، و در انتهاي هر تكرار تابع هدف براي همه ذرات محاسبه مي‌شود. اين فرايند تا پيدا شدن يك ذره نزديك به بهينه (كه در اينجا ذره‌اي است كه كمترين مقدار ضرر را دارد)، ادامه پيدا مي‌كند. در اين روش براي افزايش سرعت همگرايي، نيمي از جمعيت اوليه با استفاده از يك معيار شباهت ساخته مي‌شود و همچنين از يك جستجوگر محلي براي كشف خاصيت محلي داده ها استفاده مي‌شود. در انتها، بر اساس بهترين ذره، فرآيند انتخاب ويژگي انجام مي‌شود. نتايج پياده‌سازي روش پيشنهادي و مقايسه آن با نتايج ساير الگوريتم‌هاي انتخاب ويژگي چند برچسبي نمايانگر كارايي مناسب الگوريتم پشنهادي است.