رویکرد چندهدفه مبتنی بر روش‌های فرا ابتکاری برای مسئله انتخاب زیرمجموعه ویژگی‌ها

هدف: پیدا کردن زیرمجموعه‌ای از مجموعه ویژگی‌ها، مسئله‌ای است که در زمینه‌های مختلفی مانند یادگیری ماشین و شناسایی آماری الگوها، کاربرد گسترده‌ای دارد. با توجه به اینکه افزایش تعداد ویژگی‌ها، هزینه محاسباتی سیستم را به‌طور تصاعدی افزایش می‌دهد، این پژوهش به‌دنبال طراحی و پیاده‌سازی سیستم‌هایی با کمترین تعداد ویژگی و کارایی قابل قبول است.روش: با توجه به لزوم جست‌وجوی کارآمد در فضای جواب، در این پژوهش برای انتخاب ویژگی در داده‌های چندکلاسه، از الگوریتم ژنتیک (ga) و الگوریتم ژنتیک با مرتب‌سازی نامغلوب (nsga ii) چندهدفه با هدف افزایش دقت طبقه‌بندی و کاهش تعداد ویژگی‌ها استفاده شده است. روش ارائه شده، بر مبنای دو روش طبقه‌بندی ماشین بردار پشتیبان (svm) و k نزدیک‌ترین همسایه (knn) روی 6 مجموعه داده‎ اعتباری به اجرا درآمد و نتایج آن تجزیه و تحلیل شد.یافته‌ها: الگوریتم ژنتیک و الگوریتم ژنتیک با مرتب‌سازی نامغلوب چندهدفه برای افزایش دقت طبقه‌بندی و کاهش تعداد ویژگی‌ها در مسئله انتخاب ویژگی در داده‌های چندکلاسه کارکرد مناسبی دارند. نتایج به‌دست‌آمده، نشان‌دهنده بهبود در دقت طبقه‌بندی، هم‌زمان با کاهش چشمگیر در تعداد ویژگی‌ها در هر دو روش ماشین بردار پشتیبان و نزدیک‌ترین همسایه است.نتیجه‌گیری: با توجه به نتایج، رویکرد پیشنهادشده در این پژوهش برای مسئله انتخاب ویژگی‎ها کارایی بسیار خوبی دارد.

A Multi-objective Approach to the Problem of Subset Feature Selection Using Meta-heuristic Methods

Objective: Finding a subset of features is an issue that has been widely used in a variety of fields such as machine learning and statistical pattern recognition. Since increasing the number of features increases the computational cost of a system, it seems necessary to develop and implement systems with minimum features and acceptable efficiency.Methods: Considering objective, it’s developmental research and in terms of two Metaheuristic algorithms, namely genetic algorithm (GA) and multiobjective nondominated sorting genetic algorithm (NSGA II). The multiobjective method compared to the singleobjective method has reduced the number of features to 50% in all instances; it doesn’t make much difference in classification accuracy. The proposed method is applied on six datasets of credit data, and the results were analyzed using two common classifiers namely, support vector machine (SVM) and Knearest neighbors (KNN). Comparing two classifiers applied on datasets, K nearest neighbors (KNN) compared to the support vector machine (SVM) has shown relatively better performance in increasing the classification accuracy and reducing the number of attributes.Results: Genetic algorithm and multi objective nondominated sorting genetic algorithm have a good performance in increasing the accuracy of classification and reducing the number of attributes in feature selection problem of multiclass data. The results also indicate an increase in classification accuracy, simultaneously with a significant decrease in the number of features in both KNN and SVM methods.Conclusion: According to the results, the proposed approach has a high efficiency in features selection problem.