انتخاب ویژگی چندبرچسبی با استفاده از الگوریتم بهینه ساز جمعیت رقابتی

انتخاب ویژگی یکی از اساسی ترین مراحل پیش پردازش داده ها در یادگیری ماشین است که با کاهش ابعاد در مجموعه داده ها باعث صرفه جویی در منابع و افزایش سرعت محاسبات می شود. همچنین، انتخاب ویژگی می تواند با حذف ویژگی های غیرمرتبط و افزونه باعث افزایش دقت و کارایی الگوریتم های یادگیری ماشین شود. در این مقاله، یک روش جدید تعبیه شده برای انتخاب ویژگی چندبرچسبی پیشنهاد شده است که در آن، مساله انتخاب ویژگی چندبرچسبی برای اولین بار با استفاده از الگوریتم بهینه ساز جمعیت رقابتی حل خواهد شد. در روش پیشنهادی، ابتدا جمعیتی از ذرات ساخته می شود، سپس ذرات به دو دسته مساوی تقسیم شده و به صورت جفت با هم رقابت می کنند، ذرات برنده به تکرار بعد منتقل شده و ذرات بازنده از برنده ها یاد می گیرند، و در انتهای هر تکرار تابع هدف برای همه ذرات محاسبه می شود. این فرایند تا پیدا شدن یک ذره نزدیک به بهینه (که در اینجا ذره ای است که کمترین مقدار ضرر را دارد)، ادامه پیدا می کند. در این روش برای افزایش سرعت همگرایی، نیمی از جمعیت اولیه با استفاده از یک معیار شباهت ساخته می شود و همچنین از یک جستجوگر محلی برای کشف خاصیت محلی داده ها استفاده می شود. در انتها، بر اساس بهترین ذره، فرآیند انتخاب ویژگی انجام می شود. نتایج پیاده سازی روش پیشنهادی و مقایسه آن با نتایج سایر الگوریتم های انتخاب ویژگی چند برچسبی نمایانگر کارایی مناسب الگوریتم پشنهادی است.