استخراج ویژگی مجموعه داده‌های پزشکی دارای ابعاد بالا با استفاده از برنامه نویسی ژنتیک چند منظوره

یکی از تکنیک‌های کاهش بعد استخراج ویژگی است که یک فضای چند بعدی را به یک فضای با ابعاد کمتر نگاشت می‌کند. یکی از چالش‌های داده‌کاوی طبقه‌بندی مجموعه داده‌های با ابعاد بالای نامتوازن است. هدف از مقاله حاضر، استخراج ویژگی‌های مجموعه داده‌های پزشکی با ابعاد بالای متوازن و نامتوازن است به طوری که قادر باشد عملکرد طبقه‌بندی را در زیر فضای جدید بهبود بخشد. ابتدا با به کارگیری سه روش استخراج ویژگی تحلیل مولفه اصلی(pca)، تحلیل تفکیک اصلی(lda) و برنامه نویسی ژنتیک چند منظوره(mogp) ابعاد داده ها را کاهش داده و سپس با سه معیار ارزیابی طبقه‌بندی، عملکرد هر سه روش مقایسه می شود. نتایج تجربی بر روی 2 مجموعه داده پزشکی متوازن و 2 مجموعه داده پزشکی نامتوازن نشان می‌دهد که عملکرد برنامه نویسی ژنتیک چند منظوره نسبت به دو روش ذکر شده از دقت و اعتبار بالایی برخوردار بوده و قادر است دقت طبقه‌بندی را افزایش دهد.