ارائه ی یک روش کاهش ویژگی برای داده‌های پزشکی با استفاده از الگوریتم cso بهبود یافته

افزایش چشمگیر سرعت تولید اطلاعات در علوم مختلف از جمله حوزه پزشکی سبب شده است که چالش‌هایی در بحث پیچیدگی محاسباتی الگوریتم‌های تشخیص الگو پدید آید. همچنین وجود ویژگی‌های نامرتبط و یا زائد سبب کاهش دقت عملیات طبقه بندی داده‌ها نیز می‌گردد. انتخاب ویژگی یکی از مباحث بنیادین در علم یادگیری ماشین و تشخیص الگو می‌باشد که سبب کاهش زمان اجرای الگوریتم و افزایش دقت در عملیات طبقه بندی داده‌ها می‌شود. انتخاب ویژگی با رویکردها و روش‌های متفاتی می‌تواند صورت پذیرد که یکی از این رویکردها روش لفافه می‌باشد که در این مقاله سعی شده است با بهبود الگوریتم بهینه سازی ذرات رقابتی و بهره گیری از اپراتورهای جهش و وراثت الگوریتم ژنتیک فرایند بهتری برای انتخاب ویژگی‌ها ارائه گردد به نحوی که سبب افزایش دقت الگوریتم‌های طبقه بندی گردد. نتایج به دست آمده بیانگر آن است که الگوریتم پیشنهادی در مقایسه با روش های cso,pso, bare-bone, ga، عملکرد بهتری در انتخاب ویژگی جهت عملیات طبقه بندی دارد که در نهایت سبب افزایش دقت می گردد.