ارائه‌ی یک روش انتخاب ویژگی جدید مبتنی بر بهینه‌سازی ازدحام ذرات با استفاده از به‌روزرسانی فازی

انتخاب ویژگی یکی از مسائل مهم در رده‌بندی است که نقش مهمی در افزایش کارایی دارد و روش‌های متفاوتی برای حل آن وجود دارد. بهینه‌سازی ازدحام ذرات یکی از الگوریتم‌های مبتنی بر هوش جمعی است که در زمینه‌های متفاوتی از جمله انتخاب ویژگی استفاده شده و کارایی خوبی از خود نشان داده است. پژوهش‌های بسیاری از بهینه‌سازی ازدحام ذرات برای انتخاب ویژگی استفاده نموده‌اند. در یکی از پژوهش‌های انجام‌شده در این زمینه، نویسندگان چندین راهبرد مختلف برای مقداردهی اولیه‌ی ذرات و چندین روش برای به‌روزرسانی بهترین تجربه‌ی شخصی و بهترین تجربه‌ی گروه در بهینه‌سازی ازدحام ذرات برای انتخاب ویژگی ارائه داده‌اند و به نتایج خوبی دست یافته‌اند. ما در این مقاله بر اساس پژوهش ذکرشده و به‌روزرسانی فازی پیشنهادی خود برای یکی از دو مورد بهترین تجربه‌ی شخصی یا بهترین تجربه‌ی گروه، روشی برای انتخاب ویژگی ارائه داده‌ایم. k نزدیک‌ترین همسایه به‌عنوان رده‌بند استفاده شده است. آزمایش‌ها بر روی چندین مجموعه‌ داده‌ انجام گرفته است. با توجه به شبیه‌سازی‌های انجام‌شده، روش پیشنهادی نتایج مطلوبی از لحاظ دقت و تعداد ویژگی در مقایسه با مقاله‌ی مرجع به‌دست آورده است.

A New Feature Selection Method Based on Fuzzy Updated Particle Swarm Optimization

Feature selection is one of the important problems in classification that has an important role in increasing efficiency and there are different methods to solve it. Particle swarm optimization is one of the algorithms based on swarm intelligence that has been used in different contexts including feature selection and has shown good performance. Many studies have used particle swarm optimization for feature selection. In a research accomplished in the field, the authors have presented several different strategies for initialization of particles and several methods to update personal best and global best in particle swarm optimization for feature selection and have achieved good results. In this article we have presented a method for feature selection based on the mentioned research and our proposed fuzzy updating for one of the personal best or global best. knearest neighbor is used as the classifier. Experiments is performed on several datasets. According to the done simulations, the proposed method obtains good results in terms of accuracy and the number of feature in comparison with reference article.