استخراج ویژگی مبتنی بر تفکیک پذیری بیشتر طبقه ها با استفاده از طبقه بندهای کمکی

طبقه بندی یک روش یادگیری ماشین است که برای پیش گویی برچسب یک نمونه خاص با کمترین خطا استفاده می شود. در این مقاله، از توانایی پیش گویی برچسب به کمک طبقه بند برای ایجاد ویژگی جدید استفاده شده است. امروزه روش های استخراج ویژگی زیادی مانند PCA و ICA وجود دارند که در زمینه های مختلف بطور وسیع استفاده می شوند و از هزینه بالای انتقال به فضای دیگر رنج می برند. در روش پیشنهادی، هدف این است که به کمک ویژگی جدید،  قدرت تفکیک پذیری بیشتری بین کلاس های مختلف ایجاد شود و داده های درون کلاس ها به یکدیگر نزدیک تر و تمایز بیشتری بین داده های کلاس های مختلف بوجود آید تا کارایی طبقه بندها افزایش یابد. ابتدا به کمک یک یا چند طبقه بند، برچسب پیشنهادی برای مجموعه داده اولیه تعیین و بعنوان ویژگی جدید به مجموعه داده اولیه اضافه می شود. ایجاد مدل به کمک مجموعه داده جدید انجام می شود. ویژگی جدید برای مجموعه داده آموزش و تست بصورت جداگانه بدست آورده می شود. آزمایش ها بر روی 20 مجموعه داده استاندارد انجام شده و نتایج روش پیشنهادی با نتایج دو روش بیان شده در کارهای مرتبط نیز مقایسه شده است. نتایج حاصل نشان می دهد که روش پیشنهادی به طورقابل توجهی باعث بهبود دقت طبقه بندی شده است. در بخش دوم آزمایشات، برای بررسی میزان موثر بودن روش پیشنهادی، قدرت تفکیک پذیری ویژگی جدید بر اساس دو معیار بهره اطلاعاتی و شاخص جینی بررسی شده است. نتایج نشان می دهد که ویژگی به دست آمده در روش پیشنهادی در بیشتر موارد دارای بهره اطلاعاتی بیشتر و شاخص جینی کمتری است، زیرا بی نظمی کمتری دارد. در ادامه، جهت جلوگیری از افزایش ابعاد داده، ویژگی استخراج شده با بیشترین بار اطلاعاتی، جایگزین ویژگی با کمترین بار اطلاعاتی شده است. نتایج این مرحله نیز بیانگر افزایش میزان کارایی می باشد.