مقایسه و ارزیابی الگوریتم های بهینه سازی انتخاب ویژگی جهت کاهش بعد داده در داده های حجیم

امروزه توسعه سریع فناوری اطلاعات، در حوزه های مختلف مانند یادگیری ماشین و شناسایی الگو، منجر به تولید روز افزون داد‌‌ه‌های با ابعاد بالا می‌شود. این داده ها دارای ویژگی‌های زیادی هستند که تنها تعدادی از آنها به هدف اصلی وابسته می‌باشند. هدف انتخاب ویژگی، یافتن این ویژگی‌ها و حذف ویژگی‌های غیرضروری و بی‌اهمیت، به منظور کاهش پیچیدگی‌های محاسباتی، بهبود طبقه‌بندی و همچنین سرعت یادگیری است. مسئله انتخاب یک زیرمجموعه ویژگی بهینه از یک مجموعه ویژگی، دارای پیچیده‌گی زمانی نمایی است. از این رو جستجوی جامع برای پیدا کردن زیر مجموعه ویژگی بهینه به لحاظ هزینه محاسباتی غیر ممکن است. بنابراین انتخاب ویژگی تبدیل به یکی از موضوعات مهم در یادگیری ماشین و شناسایی الگو شده است. هدف اصلی این مقاله مرور تخصصی، معرفی و تحلیل این تکنیک ها است در این تحقیق هفت الگوریتم بهینه سازی تکاملی که در اکثر مقالات علمی از آنها استفاده می‌شود معرفی و مورد تحلیل، بررسی و مقایسه قرار گرفته‌اند. نتایج این تحقیق می‌تواند برای پژوهش های کاربردی که نیازمند کاهش حجم محاسبات در کار با داده های حجیم هستند بسیار سودمند باشد.