كاربرد الگوريتمهاي فرا ابتكاري در كاهش ابعاد و انتخاب ويژگي

با افزايش حجم روزافزون دادهها در سالهاي اخير، مشكل دادههاي با ابعاد بالا بوجود آمده است كه باعث كاهش كارايي و دقت طبقه بند در مبحث يادگيري ماشين و شناسايي الگو مي شود. انتخاب ويژگي در داده هاي با ابعاد بالا يكي از اساسي ترين مراحل يادگيري ماشين به حساب مي آيد. روش هاي قديمي انتخاب ويژگي توانايي رويارويي با حجم زياد اين داده ها را ندارند و نمي توانند مانند داده هاي كلاسيك بر روي داده هاي با بعد بالا نيز موثر واقع شوند از اين رو استفاده از روشي كه بتواند جوابگوي انتخاب ويژگي هاي موثر و حذف ويژگي هاي افزونه و نامرتبط در مجموعه داده هاي با ابعاد بالا و ميكروآرايه اي باشد بسيار ضروري به نظرميرسد. دراين مقاله كاربرد برخي از الگوريتمهاي فرا ابتكاري و تركيبي انتخاب ويژگي وكاهش ابعاد بررسي شدهاست. در روشهاي تركيبي ابتدا با استفاده از روش هاي فيلتري به كاهش ابعاد داده پرداخته مي شود سپس بااستفاده از سازوكار مناسب ويژگي هايي كه درخروجي حداكثر فيلترهاي موجود قرار دارند به عنوان ويژگي هاي نهايي انتخاب شده و درنهايت بااستفاده از الگوريتم هاي فرابتكاري اين ويژگي ها اعتبار سنجي شوند. استفاده از روش تركيبي در داده هاي با ابعاد بالا نتايج قابل قبول وبهتري در انتخاب ويژگي و كاهش بعد داشته و توجه بسياري از محققان را در دههي اخير به خود جلب كرده است