IFSB-ReliefF: یک روش انتخاب نمونه و ویژگی هم زمان بر مبنای ReliefF

افزایش استفاده از اینترنت و برخی از پدیده ها مانند شبکه های حس گر، منجر به افزایش غیر ضروری اطلاعات شده است. اگرچه این امر مزایای بسیاری دارد، اما باعث ایجاد مشکلاتی مانند نیاز به فضای ذخیره سازی و پردازنده های بهتر و همچنین پالایش اطلاعات برای حذف اطلاعات غیرضروری می شود. الگوریتم های کاهش داده، روش هایی برای انتخاب اطلاعات مفید از مقدار زیادی داده های تکراری، ناقص و زاید فراهم می کنند. در این مقاله، الگوریتم ReliefF که یک الگوریتم رتبه بندی ویژگی است، تغییر داده شده تا به طور هم زمان ویژگی ها و نمونه ها را انتخاب کند. الگوریتم پیشنهاد شده می تواند بر روی ویژگی های اسمی و عددی و مجموعه داده ها با مقادیر مفقود اجرا و هم چنین، می تواند به صورت موازی روی یک پردازنده چند هسته ای اجرا شود، که این امر باعث کاهش بسیار چشم گیر زمان اجرا و امکان اجرای آن روی مجموعه داده های بزرگ می شود؛ علاوه بر این، در این الگوریتم، انتخاب نمونه از هر رده متناسب با احتمال پیشین رده است و در نتیجه توازن و نسبت اولیه رده ها در مجموعه اصلی از بین نخواهد رفت. نتایج آزمایش بر روی چهار مجموعه داده نشان دهنده موفقیت الگوریتم پیشنهادی در این امر است.