دانلود مقاله ترجمه شده انتخاب خصیصه، بر مبنای بخش های مرزی مجموعه ناهموار

چکیده

امروزه مجموعه های داده ای را می­توان یکی از موانع اصلی در تحلیل داده ها در حوزه هایی مانند تشخیص الگو، داده کاوی و پشتیبانی از تصمیم دانست. یک زیرمجموعه خصیصه، که همان انرژی دسته بندی را مشابه با مجموعه خصیصه کل مورد پردازش قرار می­دهد، باید قبل از انجام پروسه ی دسته بندی ایجاد شود. به همین دلیل، بسیاری از الگوریتم های مجموعه ناهموار برای انتخاب خصیصه، بر روی سیستم های تصمیم ناقص بکار گرفته شده است. در زمانی که با داده هایی با حجم زیاد روبرو هستیم، بهره وری این روش ها قابل قبول نیست. از این رو در این مقاله قصد دارم یک الگوریتم انتخاب خصیصه مبتنی بر ناحیه مرکزی(BRFS) را ارائه دهیم که توانایی یافتن یک زیرمجموعه خصیصه از سیستم های تصمیم ناقص بزرگ را دارد. BRFS از یک خانواده بلاک ناسازگار به منظور ایجاد یک مجموعه ی مرزی استفاده کرده و مکانیسم های مثبتی را به منظور ایجاد بخش های مرزی بر حسب چندین زیرمجموعه صفت طراحی می­کند و از این رو پروسه ی بدست آوردن بخش های مرزی را بسیار کارآمد می-سازد. بخش های مرزی برای ایجاد مقیاس های قابل ملاحظه ای به عنوان هیروستیک هایی برای مسیر جستجوی بهینه و ایجاد یک معیار ارزیابی برای زیرمجموعه های خصیصه تشخیص قواعد کاربرد دارند. این آرایش ها باعث شده تا BRFS بتواند مسیری را به صورت کارآمد تر نسبت به سایر الگوریتم ها مشخص سازد. یافته های ما نیز به وسیله ی نتایج آزمایشی پشتیبانی شده است.

واژگان کلیدی: مجموعه ناهمواره، تشخیص الگو، جستجوی بهینه

1-مقدمه

در حال حاضر مجموعه های داده ای بزرگ مقیاس زیادی وجود دارد که به وسیله ی آنها، قیاس الگو می­تواند با استفاده از ابزار های یادگیری ماشین منجر به کارائی ضعیفی گرد. برای یک وظیفه ی خاص در تحلیل داده ها، مشاهده شده است که همه خصیصه ها معمولاً ضروری نیستند. در اصل، بعضی از آنها افزونه هستند. این خصیصه های بی ربط می­تواند فضای ذخیره سازی را اشغال سازد و کارائی محاسباتی را کاهش دهد و حتی انرژی تعمیم الگوها را نیز کاهش دهد. بنابراین مطلوب است تا یک زیرمجموعه خصیصه ای پیدا شود که دارای قابلیت پیش گوئی مشابه با مجموعه خصیصه اصلی باشد. یک چنین پروسه ای، انتخاب خصیصه یا ساده سازی صفت  نام دارد.

نظریه ی مجموعه ناهموار(RST) را میتوان ابزاری قدرتمند در تحلیل داده ها در بخش هایی مانند تشخیص الگو، داده کاوی، و پشتیبانی از تصمیم دانست. RST در مقیاس زیادی برای انتخاب خصیصه کاربرد دارد، زیرا یک روش کاملاً مبتنی بر داده ها بوده و نیاز به اطلاعات زیادی ندارد. بر مبنای مدل مجموعه ناهموار مرسوم(CRSM) ، انتخاب خصیصه مورد توجه پژوهش های زیادی قرار گرفته است، مانند تکنیک ماتریس غیر قابل تمایز، و تکنیک قابلیت تمایز، تکنیک بخش مثبت، و تکنیک انتروپی اطلاعات. این مطالعات ، روش هایی را برای انتخاب خصیصه ارائه داده اند که البته آنها را نیز به صورت موفقیت آمیز بر روی سیستم های تصمیم کامل پیاده سازی کرده اند....