ارائه ي يك روش پيچشي مبتني بر الگوريتم وراثتي به منظور گسسته-سازي داده هاي چند – برچسبي

در حوزه داده كاوي، داده هايي وجود دارند كه چند - برچسبي هستند و هر نمونه به چندين كلاس اختصاص مي يابد. اخيرا طبقه بندي و يادگيري اين گونه داده ها به عنوان موضوعي چالش برانگيز مورد توجه قرار گرفته است. بسياري از الگوريتم هاي طبقه بندي به داده-هاي گسسته و اسمي به عنوان ورودي نياز دارند. بنابراين بحث گسسته سازي به عنوان يك روش پيش پردازش داده مطرح مي-شود. همچنين استفاده از ورودي گسسته در مقايسه با ورودي عددي باعث بهبود عملكرد الگوريتم هايي كه ذاتا به داده ي گسسته نياز ندارند، مي شود. با وجود اينكه بسياري از مجموعه هاي داده ي چند - برچسبي به صورت پيوسته هستند، تعداد اندكي الگوريتم مي توان يافت كه به گسسته سازي اين گونه داده ها پرداخته باشد. در اين مقاله يك روش گسسته سازي مربوط به داده ي چند - برچسبي ارائه مي شود كه بر اساس روش هاي تكاملي است و با بكار گيري تابع محك پيچشي در الگوريتم وراثتي، مجموعه اي از نقاط برش بهينه را براي گسسته سازي جستجو مي كند. روش پيشنهادي را روي پنج مجموعه ي داده ي استاندارد اعمال كرده ايم و داده ي گسسته ي منتج را ورودي طبقه بند MLKNN (مربوط به داده هاي چند-برچسبي) قرار داديم. نتايج حاصل را با نتايج قبل از اعمال گسسته سازي و همچنين اعمال سه گسسته ساز ديگر مقايسه كرده ايم. با استفاده از اين روش در پيش بيني برچسب ها و عملكرد MLKNN بهبود حاصل شده است.