(39 امتیاز از 8 رای)
Loading...
ترجمه مقاله بهینه سازی کلونی مورچه برای انتخاب ویژگی افزونگی ارتباط
ترجمه مقاله Relevance–redundancy feature selection based on ant colony optimization
در این پست ترجمه مقاله بهینه سازی کلونی مورچه برای انتخاب ویژگی افزونگی ارتباط را با عنوان انگلیسی Relevance–redundancy feature selection based on ant colony optimization آماده کردیم که در ادامه می توانید چکیده و مقدمه ای از این مقاله را مطالعه کنید. مقاله اصلی نیز به صورت رایگان قابل دانلود می باشد. قابل ذکر است که پیاده سازی این مقاله در متلب به همراه داکیومنت با کد محصول 13936 در سایت وجود دارد.
چکیده ترجمه مقاله بهینه سازی کلونی مورچه برای انتخاب ویژگی افزونگی ارتباط : مسئله بعد مندی، یک مسئله شناخته شده در تشخیص الگو است که در آن، تعداد الگوها کمتر از تعداد ویژگی های موجود در مجموعه داده ها است. اغلب بسیاری از این ویژگی ها نامربوط و زائد برای کار های طبقه بندی هستند. بنابراین انتخاب ویژگی به تکنیکی اساسی برای کاهش بعد مندی مجموعه داده ها تبدیل می گردد. در این مقاله، با تحلیل ارتباط و افزونگی ویژگی ها، روش های بدون نظارت و چند متغیره مبتنی بر فیلتر انتخاب ویژگی ارائه می شوند.
در این روش ها، فضای جستجو به صورت یک گراف نشان داده می شود و سپس برای رتبه بندی ویژگ ها از بهینه سازی کلونی مورچه استفاده می شود. علاوه بر این، برای بهبود دقت این روش ها و با در نظر گرفتن شباهت بین زیر مجموعه های ویژگی ها، یک اندازه گیری اطلاعات اکتشافی جدید پیشنهاد می شود.
عملکرد روش های پیشنهادی، با استفاده از طبقه بندی کننده های مختلف با روش های چند متغیره و تک متغیره شناخته شده مقایسه شد. نتایج نشان داد که روش های پیشنهادی، بهتر از روش های موجود عمل می کنند.
ترجمه دقیق عنوان فارسی این مقاله، انتخاب ويژگی افزونگی ارتباط بر اساس بهینه سازی کلونی مورچه می باشد. توضیحات بیشتر از ترجمه مقاله بهینه سازی کلونی مورچه برای انتخاب ویژگی افزونگی ارتباط و دانلود رایگان مقاله اصلی در ادامه مطلب.
مقدمه ترجمه مقاله بهینه سازی کلونی مورچه برای انتخاب ویژگی افزونگی ارتباط : تشخیص الگو ، شاخه ای از هوش مصنوعی است که هدف آن یادگیری مدلی برای طبقه بندی الگو های جدید در تعدادی از کلاس های از پیش تعریف شده است. توسعه سریع تکنولوژی های اطلاعاتی در چند دهه گذشته، به تولید مجموعه داده هایی با تعداد زیادی ویژگی و تعداد نسبتا کمی الگو منجر شده است.
این امر بیانگر یک چالش شناخته شده (موسوم به مسئله بعد مندی) برای روش های تشخیص الگو می باشد و پیچیدگی زمان محاسباتی ساخت مدل را افزایش می دهد. از سوی دیگر، بسیاری از ویژگی ها در مجموعه داده ها نامربوط به مدل هستند و برای آن افزونگی محسوب می شوند و ممکن است تاثیر منفی بر دقت پیش بینی داشته باشند.
یک روش رایج برای مقابله با این مشکلات، تکنیک انتخاب ویژگی است. انتخاب ویژگی، گام مهمی در پیش پردازش داده ها برای طراحی بسیاری از سیستم های تشخیص الگو (به خصوص در مجموعه داده هایی با ابعاد بالا) است. هدف از تکنیک انتخاب ویژگی این است که ویژگی های مربوط با پیش بینی‌کننده ترین اطلاعات را از مجموعه ویژگی اصلی جستجو کنیم.
این تکنیک، با حذف بسیاری از ویژگی های افزونه و نامربوط، بعد مندی مجموعه داده ها را کاهش می دهد و در نتیجه عملکرد مدل آموخته شده را بهبود می بخشد و از بیش برازش (overfitting) جلوگیری می کند. از سوی دیگر، این کاهش به افزایش سرعت فرایند یادگیری کمک کرده و به یک مدل پیش بینی کننده ساده و قابل فهم منجر می گردد.
انتخاب ویژگی، تکنیک مهمی در بسیاری از کاربرد های عملی تشخیص الگو مثل پردازش متن ، تشخیص چهره ، بیوانفورماتیک ، تایید سخنران ، تشخیص پزشکی ، و دامنه های مالی می باشد. توضیحات بیشتر را با دریافت فایل ورد ترجمه مقاله بهینه سازی کلونی مورچه برای انتخاب ویژگی افزونگی ارتباط مطالعه نمائید.
چکیده انگلیسی:
The curse of dimensionality is a well-known problem in pattern recognition in which the number of patterns is smaller than the number of features in the datasets. Often, many of the features are irrelevant and redundant for the classification tasks. Therefore, the feature selection becomes an essential technique to reduce the dimensionality of the datasets. In this paper, unsupervised and multivariate filter-based feature selection methods are proposed by analyzing the relevance and redundancy of features. In the methods, the search space is represented as a graph and then the ant colony optimization is used to rank the features. Furthermore, a novel heuristic information measure is proposed to improve the accuracy of the methods by considering the similarity between subsets of features. The performance of the proposed methods was compared to the well-known univariate and multivariate methods using different classifiers. The results indicated that the proposed methods outperform the existing methods.
سلام این ترجمه برای انجام دادن پروژم خیلی به دردم خورد من اکثرا به خاطر ترجمه ها زیاد به سایت شما سر می زنم ایده هاتون متفاوته .