كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / دوازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

انتخاب ویژگی چندهدفه کدگذاری دوگانه با رویکرد تعاملی پارتو برای دادههای ابعاد بالا

نویسندگان :

احسان حسین پور¹ الهام پروین نیا²

1- دانشگاه آزاد اسلامی واحد شیراز 2- دانشگاه آزاد اسلامی واحد شیراز

کلمات کلیدی :

انتخاب ویژگی،بهینهسازی چندهدفه،بهینهسازی ازدحام ذرات،کدگذاری دوگانه،دادههای ابعاد بالا،ماشین لرنینگ

چکیده :

انتخاب ویژگی مرحلهای اساسی در پیشپردازش دادههای با ابعاد بالاست که هدف آن شناسایی ویژگیهایی با بیشترین قدرت تمایز، بهمنظور بهبود دقت مدل و کاهش هزینه محاسباتی است. این مسأله دو هدف متضاد را در بر میگیرد: حداکثر کردن عملکرد طبقهبندی و حداقل کردن اندازه زیرمجموعه ویژگیها. روشهای متاهیوریستیک موجود معمولاً این دو هدف را در یک تابع برازش وزندار ترکیب میکنند که به پارامترهای تنظیم حساس بوده و اطلاعات دقیقی درباره تعادل محلی بین اهداف ارائه نمیدهد. برای رفع این محدودیتها، الگوریتم Multi-Objective Dual-Encoding Feature Selection (MODE-FS) معرفی میشود. در این روش، معماری کدگذاری دوگانه به چارچوب چندهدفه مبتنی بر پارتو تبدیل شده و از دو زیرجمعیت همتکامل بهره میگیرد: یکی در فضای پیوسته برای جستجوی سراسری با تابع انتقال معکوس، و دیگری در فضای گسسته برای بازنگری محلی. همچنین سازوکاری مبتنی بر تسلط پارتو برای تبادل اطلاعات و جلوگیری از همگرایی زودرس معرفی میشود. الگوریتم پیشنهادی روی شش مجموعهداده مرجع با ابعاد بالا در برابر روشهای تکهدفه و چندهدفه ارزیابی شده است. نتایج، که با آزمونهای ویلکاکسون تأیید شدهاند، نشان میدهند MODE-FS جبهههای پارتوی برتر، دقت بالاتر و کاهش قابل توجه تعداد ویژگیها را نسبت به روشهای موجود ارائه میدهد. تحلیل آماری تأیید میکند که MODE-FS مجموعهای متنوع از راهحلهای غیرمغلوب ارائه میدهد و به تصمیمگیرندگان امکان انتخاب انعطافپذیر بر اساس محدودیتهای عملی را میدهد. خروجی نهایی MODE-FS یک جبهه پارتو از زیرمجموعههای ویژگی غیرمغلوب است.