یک روش ترکیبی برای یافتن زیرمجموعه ویژگی موثر در داده‌های چند برچسبی

داده‌های چند برچسبی به داده‌هایی گفته می‌شود که در آن بر خلاف داده‌های تک برچسبی، هر نمونه می‌تواند متعلق به چند کلاس باشد. در سال‌های اخیر، به دلیل رشد روز افزون کاربردهای این داده‌ها، طبقه‌بندی داده‌های چند برچسبی توجه بسیاری از محققان را به خود جلب کرده است. مشابه طبقه‌بندی داده‌های تک برچسبی، در داده‌های چند برچسبی نیز حذف ویژگی‌های زائد و تکراری می‌تواند تاثیر زیادی در بهبود عملکرد طبقه‌بند داشته باشد. در این مقاله، یک روش ترکیبی برای انتخاب ویژگی در داده‌های چند برچسبی ارائه شده است. روش پیشنهادی بر پایه ترکیب یک روش فیلتری و یک روش پیچشی است که در روش پیچشی از الگوریتم‌های فرا ابتکاری استفاده شده است. از آنجا که معمولاً تعداد ویژگی‌های داده‌های چند برچسبی زیاد است، استفاده مستقیم از روش‌های جستجو، برای کشف زیرمجموعه ویژگی بهینه، هزینه محاسباتی بالایی دارد و ممکن است با شکست روبه رو شود. از این رو، ابتدا با استفاده از یک روش فیلتری، ویژگی‌های نامرتبط با کلاس‌ها حذف می‌شوند. سپس، از الگوریتم‌های تکاملی برای انتخاب برجسته‌ترین ویژگی‌ها استفاده می‌شود. در بخش آزمایش‌ها، تعداد قابل توجهی از الگوریتم‌های فرا ابتکاری مشهور بکار گرفته شده و جایگزین روش پیچشی در سامانه پیشنهادی شده است. نتایج به دست آمده نشان می‌دهند که روش پیشنهادی در برابر سایر روش‌های مورد مقایسه، دقت بالاتری دارند و در مواردی که دست یابی به دقت بالاتر، اهمیت بیشتری نسبت به زمان داشته باشد، استفاده از این روش مناسب‌تر است.