ارائه ی کاهش ابعاد در مسئله دسته‌بندی بابکارگیری الگورتیم های پیشنهادی IPSO, PSO

ارائه ی کاهش ابعاد در مسئله دسته‌بندی بابکارگیری الگورتیم های پیشنهادی IPSO, PSO

شیما شفیعی1 ناهید نخعی2

1) کارشناس ارشد کامپیوتر و مدرس سازمان آموزش و پرورش-کرمان-
2) کارشناس ارشد کامپیوتر و مدرس دانشگاه جامع علمی کاربردی-خراسان جنوبی-

کد IOI مقاله : XYBD-ZKEZG
محل انتشار : چهارمین کنفرانس بین المللی پژوهش در علوم و تکنولوژی(4rstconf.com)
چکیده :
    در سال‌های اخیر کاربردهایی که در آن ها مقادیر زیادی مجموعه داده استفاده گردد مانند: داده کاوی، پردازش سیگنال، بازیابی داده‌های چند رسانه‌ای، پرورش داده‌های پزشکی و گرافیک کامپیوتری رو به افزایش هستند و از آنجایی که سرعت پردازش اطلاعاتی همچون تصویر با حجم بسیار بالا در بعضی موارد بحرانی است، پس استخراج و انتخاب ویژگی‌های برجسته، بسیاری از مشکلات را حل نموده است. در واقع به منظور استخراج با ارزش‌ترین زیر مجموعه ای از داده‌های موجود در یک مسئله، روش‌های کاهش ابعاد داده‌ها معرفی شده‌اند. مسئله کاهش ابعاد که یکی از زیر مجموعه‌های آن استخراج ویژگی است، به مفهوم استخراج مفيدی از ويژگي‌ها از ميان مجموعه داده اوليه بوده و هم چنين مبحث مهمي در تحليل ميزان همبستگي در زمينه‌هاي دسته‌بندی و مدلينگ ميباشد كه در كاهش ابعاد مجموعه ويژگی‌ها بكار مي‌آید. اهداف این پژوهش، ارائه ی رویکردهایی نوین مبتنی بر الگوریتم بهینه‌سازی ازدحام ذرات و نسخه ی بهبود یافته ی آن برای حل مسئله ی کاهش ابعاد است. زیرا که سیستم‌های فعلی کاهش بعد با محدودیت هایی از قبیل: غیر قابل دسترس بودن داده های کارا، حجم زیاد داده ها، دقت پایین دسته‌بندی، غیر قابل تفسیر بودن داده‌ها و کم شدن ارزش آنها، مواجه هستند. در همین راستا برای رفع محدودیت های مذکور، در روش تحقیق این پژوهش، تکنیک های نوینی پیشنهاد گردیده که با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات و نسخه ی بهبود یافته ی آن، به روش کاهش بعدي دست یافته که خطای دسته‌بندي داده‌هاي اوليه را با روش دسته‌بندی نزديکترين همسايه کاهش دادند. تکنیک های پیشنهادی توانستند با بازدهی و سرعت همگرایی بالا در استخراج پاسخ بهینه نسبت به سایر تکنیک‌های موجود، کاراتر عمل ‌کنند. نتایج این مقاله بر روی مجموعه داده‌های استاندارد یادگیری ماشین بر گرفته از سایت UCI بکار رفته، به گونه ای که، در نهایت یافته ها و نتایج بیانگر توانایی بالای الگوریتم های پیشنهادی در پایین آوردن خطای دسته بندی داده‌های کاهش بعد می‌باشند.

کلمات کلیدی : پایگاه داده uci الگوریتم های pso و ipso روش دسته بندی نزدیکترین همسایه (knn) مسئله دسته بندی کاهش ابعاد