ارائه یک روش جدید انتخاب ورودی بر اساس دسته‌بندی نیمه نظارتی برای تخمین سری های زمانی

انتخاب ویژگی نقش مهمی در بهبود عملکرد الگوریتم های یادگیری ماشین ایفا میکند. بر این اساس در این تحقیق با اشاره به برخی روش های یادگیری ماشین و انتخاب ویژگی باهدف ارائه یک روش جدید انتخاب ورودی بر اساس دسته بندی نیمه نظارتی برای تخمین سری های زمانی، یک دیدگاه کلی بر قابلیت ها و موارد کاربرد این روش ها ارائه گردید.در این تحقیق 12 رویکرد در ایجاد یک طبقه بندی کننده بهینه مبتنی بر ماشین بردار در این تحقیق 12 رویکرد در ایجاد یک طبقه‌بندی کننده بهینه مبتنی بر ماشین‌ بردار پشتیبان (svm) و شبکه های عصبی (mlp و rbf) بر مبنای الگوریتم ژنتیک (ga)، فاخته (cuckoo) و ازدحام ذرات (pso) ارائه گردید. در این راستا سعی شده سیستمی طراحی شود که منجر به کاهش هزینه در جمع آوری داده‌ها شود. به این منظور در تحقیق حاضر از سه مجموعه داده با قابلیت سری زمانی از دادهای استاندارد uci، استفاده گردید. نتایج حاصل از رویکردهای استفاده شده در این تحقیق بیانگر عملکرد خوب تمامی الگوریتم‌های استفاده شده دارد. با این‌حال، توانایی و عملکرد هر کدام از رویکردها با توجه به نوع و ماهیت داده ها متفاوت می باشد. همین امر باعث شده است که گاها رویکرد شبکه عصبی mlp و الگوریتم ga یا cuckoo نتایج بهتری داشته باشد و در برخی موارد نیز رویکرد ماشین بردار پشتیبان با الگوریتم pso نتایج بهتری داشته است. با توجه به نتایج حاصل می‌توان گفت که استفاده از انتخاب ویژگی بر اساس دستهبندی نیمه‌نظارتی باعث کاهش خطای سیستم، افزایش دقت و افزایش سرعت تخمین سری‌های زمانی می‌گردد. از این رو با استفاده از طبقه‌بندی کننده‌ی کارا و قدرتمند شبکه عصبی mlp و ماشین بردار پشتیبان در کنار الگوریتم بهینه سازی و فرا ابتکاری، می‌توان یک سیستم طبقه‌بندی ترکیبی بهینه برای تخمین سری‌های زمانی طراحی نمود.

new feature selection method by a semi supervised classification algorithm for time series estimation

In this research, 12 approaches were proposed to create an optimal vector based on supporting vector machine and neural networks based on genetic algorithm, cuckoo and particle swarm Optimization (PSO). In this regard, we have tried to design a system that reduces the cost of data collection. For this purpose, three data sets with time series capability of standard UCI data were used in this study. The results of the approaches used in this research show the good performance of all the used algorithms. However, the ability and performance of each approach vary according to the type and nature of the data. This has sometimes led to better results from the MLP neural network and the GA or Cuckoo algorithm, and in some cases, the PSO algorithm has better outcomes. Regarding the results, it can be said that the use of feature selection based on semiregulatory classification reduces system error, increases the accuracy and increases the speed of time series estimation. Hence, by using the efficient and powerful MLP Neural Network and backup vector machine along with the optimization algorithm and metamorphic, an optimal combination classification system can be designed for time series estimation.