بهینه‌سازی ترکیبی جهت کاهش ابعاد داده‌های متنی مبتنی بر هوش تجاری و داده‌های حجیم

با پیشرفت سریع فناوری‌های مدرن، برنامه‌های عظیم کامپیوتری و اینترنتی جدید، حجم زیادی از داده‌ها با سرعتی بی‌سابقه تولید شده‌اند. این داده‌ها اغلب دارای ویژگی‌هایی با ابعاد بالا هستند که چالش‌های زیادی را برای تجزیه و تحلیل داده‌ها و تصمیم‌گیری برای محققان و مهندسان در زمینه‌های یادگیری ماشین و داده‌کاوی ایجاد می‌کنند. انتخاب ویژگی، راه موثری برای حل این مشکل با حذف داده‌های نامربوط و زائد فراهم می‌کند که می‌تواند زمان محاسبات را کاهش دهد، دقت یادگیری را بهبود بخشد و درک بهتر مدل یا داده‌های یادگیری را تسهیل کند. هدف انتخاب ویژگی، ساخت طبقه‌بندی‌کننده بهتر با فهرست کردن ویژگی‌های مهم است که به کاهش اضافه بار محاسباتی نیز کمک می‌کند. در این پژوهش یک روش سه مرحله‌ای برای کاهش ابعاد ویژگی‌ها ارائه شده است. ابتدا با استفاده از فیلترهای رتبه‌بند ویژگی‌های زائد حذف می‌شوند و سپس از یک الگوریتم تکاملی برای انتخاب ویژگی‌های مفید استفاده می‌شود. روش پیشنهادی می‌تواند به‌طور قابل توجهی ابعاد فضای ویژگی را کاهش دهد و دقت طبقه‌بندی را بهبود بخشد.