یک روش انتخاب ویژگی‌ نیمه‌نظارتی جدید بر اساس منظم‌سازی هسین

یکی از تکنیک‌های مهم در یادگیری ماشین و داده کاوی، انتخاب ویژگی است است که با انتخاب ویژگی‌های مناسب و حذف ویژگی‌های زائد باعث افزایش سرعت و کارایی مدل می‌شود. در بسیاری از کاربردها، داده‌های برچسب‌دار کمی وجود دارند در حالی که داده‌های بدون برچسب زیادی در دسترس هستند. در چنین کاربردهایی، روش‌های انتخاب ویژگی نیمه‌نظارتی می‌توانند مورد استفاده قرار بگیرند. روش‌های انتخاب ویژگی نیمه‌نظارتی با استفاده از اطلاعات برچسب داده‌های برچسب‌دار و اطلاعات توزیع و ساختار هندسی داده‌های برچسب‌دار و بدون برچسب مناسب‌ترین ویژگی‌ها را انتخاب می‌کنند. در این مقاله، یک روش انتخاب ویژگی نیمه‌نظارتی مبتنی بر آنالیز تشخیصی افتراقی و منظم‌سازی هسین پیشنهاد می‌شود که اطلاعات توزیع و ساختار هندسی داده‌ها را در هنگام انتخاب ویژگی‌ها در نظر می‌گیرد. روش پیشنهادی در محاسبه ماتریس پراکندگی درون کلاسی و برون کلاسی، از منظم‌سازی هسین استفاده می‌کند که به خوبی توزیع و ساختار هندسی داده‌ها را حفظ می‌کند. برای ارزیابی کارایی روش پیشنهادی، از دو مجموعه داده تصویر استفاده می‌شود و با سایر روش‌های انتخاب ویژگی مقایسه می‌شود. نتایج آزمایش‌ها، برتری روش پیشنهادی نسبت به سایر روش‌های انتخاب ویژگی را نشان می‌دهد.