انجمن کامپیوتر ایران

بسترهاي داده¬اي امروزي به دلیل افزایش تعداد مشاهدات و متغیر¬های مربوط به یک مشاهده، چالش¬هاي جديدي در تحليل داده¬ها بوجود آورده¬اند که نیاز به کاهش ابعاد داده را امری ضروری کرده است. مسأله انتخاب یک زیرمجموعه بهینه از یک مجموعه، دارای پیچیدگی زمانی نمایی است، به همین دلیل روش¬های کلاسیک انتخاب ویژگی، دارای مشکل زمان اجرا هستند. این روش¬ها اکثراً در پیدا کردن راه¬حل¬های بهینه ناموفق هستند. از طرف دیگر، جستجوی کامل برای پیدا کردن راه¬حل¬های بهینه حتی در مجموعه داده¬هایی که تعداد ویژگی¬ها زیاد نیستند، غیر ممکن است. بیشتر کاربردهای انتخاب ویژگی خواستار محاسباتی ممکن با هدف به¬دست آوردن راه¬حل¬های بهینه یا نیمه بهینه هستند. در این مقاله برای حل این مشکل از الگوریتم ژنتیک چندهدفه استفاده شده¬است. به علاوه معیاری برای استقلال ویژگی¬ها معرفی شده است که به همراه معیارهایی همچون فواصل درون¬کلاسی و برون¬کلاسی و همبستگی ویژگی¬ها برای انتخاب ویژگی بکار رفته است. ارزیابی بر روی دادگان UCI و دسته¬بند¬های مختلف نشان می¬دهد که روش و معیار پیشنهادی در کنار سایر معیار¬ها، کارایی خوبی از نظر برقراری تعادل میان دقت دسته¬بندی و تعداد ویژگی¬ها دارد.