ارائه نسخه الگوریتم سینوس کسینوس چندگانه در حل مسئله انتخاب ویژگی

از آنجا که تمام ویژگی های داده ها برای یافتن دانشی که در داده ها نهفته است مهم و حیاتی نیستند؛ کاهش ابعاد داده یکی از مباحث بااهمیت است. ازاین رو در این مقاله روشی جدید با استفاده از الگوریتم سینوس کسینوس با رویکرد بهینه سازی چندگانه در حوزه انتخاب ویژگی ارایه می شود. روش پیشنهادی در مدل انتخاب ویژگی رپر ارایه شده است و دو مرحله دارد که شامل مرحله انتخاب ویژگی با استفاده از الگوریتم سینوس کسینوس چندگانه و مرحله طبقه بندی جواب های ممکن در الگوریتم سینوس کسینوس با روش نزدیک ترین همسایه توسعه یافته، است. روش پیشنهادی بر روی مجموعه داده استاندارد UCI در مجموعه داده هایی با ابعاد مختلف آزمایش شده است.مقایسه روش پیشنهادی با روش های بهینه سازی چندگانه و تک گانه، نشان می دهد که این روش نسبت به روش های بهینه سازی تک گانه، دارای کارایی بالاتری بوده (یعنی با دقت بیشتری به مجموعه ویژگی بهینه می رسیم) و نسبت به روش های بهینه سازی چندگانه نیز با اختلاف کمی، نتایج بهتری در انتخاب بهترین مجموعه ویژگی به صورت چندگانه را داشته است.