بهبود عملکرد الگوریتم های انتخاب ویژگی جستجوی عقبگرد و رو به جلو متوالی به کمک SVM

مسئله انتخاب ویزگی، یکی از مهمترین مسائل در زمینه یادگیری ماشین و شناسائی الگو است. این مسئله در بسیاری از کاربردها (مانند طبقه بندی) اهمیت به سزائی دارد، زیرا در این کاربردها تعداد زیادی ویژگی وجود دارد، که بسیاری از آنها یا بلااستفاده هستند و یا اینکه بار اطلاعاتی چندانی ندارند. حذف نکردن این ویزگی ها مشکلی از لحاظ اطلاعاتی ایجاد نمی کند ولی بار محاسباتی را برای کاربرد مورد نظر بالا می برد. و علاوه بر این باعث می شود که اطلاعات غیرمفید زیادی را به همراه داده های مفید ذخیره کنیم. در این مقاله ما در ابتدا شرح مختصری از انتخاب ویژگی و طبقه بندی روش های آن را آورده ایم. سپس مروری بر طبقه بند svm را خواهیم داشت و دوالگوریتم انتخاب ویژگی sbs و sfs را مورد بررسی قرار دادیم. مشکل این دوالگوریتم عدم امکان ارزیابی مجدد ویزگی انتخابی در هر مرحله است، که باعث پایین آمدن نرخ شناسایی می شود، ما برای رفع این مشکل روشی را پیشنهاد دادیم. این روش با ترکیب دو الگوریتم انخاب ویزگی و همچنین استفاده از طبقه بند svm توانسته است مجموعه جواب مطلوبی را حاصل نماید. انتخاب ویزگی با استفاده از ماشین های بردار پشتیبان نتایج قابل قبولی بدست آورده است. بنابراین ما با ترکیب دو الگوریتم انتخاب ویزگی sbs و sfs به کمک طبقه بند svm باعث بهبود انتخاب ویزگی و حذف ویژگی های غیرمرتبط شدیم. در انتها می بینیم آزمایشات بر مجموعه داده ها دارای نتایج بهتری می باشد که در قالب نمودار و جداول مشهود است.