انتخاب ويژگي چندبرچسبه با استفاده از راهكار تركيبي مبتني بر الگوريتم بهينه سازي ازدحام ذرات

طبقه‌بندي چندبرچسبي يكي از مسائل مهم در يادگيري ماشين است كه كارايي الگوريتم‌هاي اين طبقه‌بندي با افزايش ابعاد مسأله به شدت كاهش مي‌يابد. انتخاب ويژگي، يكي از راهكارهاي اصلي براي كاهش ابعاد در مسائل چندبرچسبي است. انتخاب ويژگي چندبرچسبي يك راهكار NP Hard است و تا كنون تعدادي راهكار مبتني بر هوش جمعي و الگوريتم‌هاي تكاملي براي آن ارائه شده است. افزايش ابعاد مسأله منجر به افزايش فضاي جستجو و به تبع، كاهش كارايي و همچنين كاهش سرعت همگرايي اين الگوريتم‌ها مي‌شود. در اين مقاله يك راهكار هوش جمعي تركيبي مبتني الگوريتم دودويي بهينه‌سازي ازدحام ذرات و استراتژي جستجوي محلي براي انتخاب ويژگي چندبرچسبي ارائه شده است. براي افزايش سرعت همگرايي، در استراتژي جستجوي محلي، ويژگي‌ها بر اساس ميزان افزونه‌بودن و ميزان ارتباط با خروجي مسأله به دو دسته تقسيم‌بندي مي‌شوند. دسته اول را ويژگي‌هايي تشكيل مي‌دهند كه شباهت زيادي به كلاس مسأله و شباهت كمتري به ساير ويژگي‌ها دارند و دسته دوم هم ويژگي‌هاي افزونه و كمتر مرتبط است. بر اين اساس، يك اپراتور محلي به الگوريتم بهينه‌سازي ازدحام ذرات اضافه شده كه منجر به كاهش ويژگي‌هاي غير مرتبط و افزونه هر جواب مي‌شود. اعمال اين اپراتور منجر به افزايش سرعت همگرايي الگوريتم پيشنهادي در مقايسه با ساير الگوريتم‌هاي ارائه‌شده در اين زمينه مي‌شود. عملكرد روش پيشنهادي با شناخته‌شده‌ترين روش‌هاي انتخاب ويژگي، بر روي مجموعه داده‌هاي مختلف مقايسه گرديده است. نتايج آزمايش‌ها نشان دادند كه روش پيشنهادي از نظر دقت، داراي عملكردي مناسب است.