ارائه یک روش انتخاب ویژگی مبتنی بر انتگرال فازی در یادگیری چندبرچسبی

الگوریتم‌های یادگیری چندبرچسبی به دلیل حجم و ابعاد بالای داده‌های چندبرچسبی و همچنین وجود نویز در آنها، با چالش‌های فراوانی مواجه هستند. انتخاب ویژگی یک تکنیک موثر برای برطرف کردن این چالش‌ها است. در این مقاله یک روش انتخاب ویژگی مبتنی بر یک رویکرد شورایی برای داده‌های چندبرچسبی ارائه شده است. در روش پیشنهادی، سه ماتریس تصمیم مختلف بر اساس معیار‌های ارزیابی ویژگی مختلف با درنظرگرفتن همگرایی ویژگی‌ها با برچسب‌های کلاس و همچنین افزونگی ویژگی‌ها نسبت به هم در فرایند انتخاب ویژگی موثر هستند. این سه ماتریس تصمیم در نهایت بر اساس یک رویکرد شورایی مبتنی بر مفهوم انتگرال فازی با هم ترکیب می‌شوند تا ارزیابی ویژگی‌ها بر اساس مقدار تجمیع شده صورت گیرد. برای ارزیابی عملکرد الگوریتم پیشنهادی، مقایساتی با چندین الگوریتم مشابه بر روی چند مجموعه‌داده مختلف صورت گرفته است. نتایج به دست آمده از آزمایش‌ها انجام شده، نشان‌دهنده عملکرد مناسب الگوریتم پیشنهادی در مقایسه با سایر الگوریتم‌ها است.

a feature selection algorithm based on fuzzy integral in multi-label learning

multi-label learning algorithms face many challenges due to the high volume and dimensions of multi-label data and the existence of noise. feature selection methods are an effective technique for addressing these challenges. this paper presents a feature selection method based on an ensemble approach for multi-label data. in this approach, three different decision matrices based on various feature evaluation criteria, taking into account the relevancy of features with class labels and their redundancy relative to each other, are effective in the feature selection process. these three decision matrices are finally combined based on an ensemble approach using the concept of fuzzy integral to evaluate the features according to the aggregate value. comparisons have been made with several similar algorithms to illustrate the performance of the proposed method.