ارائه يك الگوريتم بهبود يافته گرگ خاكستري براي بهبود نتايج طبقه بندي داده هاي واقعي

هرگونه مشخصه منحصر بفرد از يك رخداد در يك پايگاه داده را ويژگي گويند. تعداد ويژگي ها در پايگاه هاي داده روز به روز در حال افزايش است. افزايش تعداد ويژگي ها سبب شده است كه راندمان روش هاي مبتني بر يادگيري ماشين و داده كاوي دچار چالش شود. يك راه كار موثر استفاده از روش هاي انتخاب ويژگي در كاهش ابعاد داده ها است. انتخاب يك زيرمجموعه از ويژگي هاي موجود در يك پايگاه داده، بايد به گونه اي صورت پذيرد كه راندمان فرايندهاي داده كاوي مثل طبقه بندي بهبود يابد. از اين رو به مسئله انتخاب ويژگي، به ديد يك مسئله بهينه سازي نگاه مي شود. اگرچه روش هاي متعددي به منظور حل مسائل بهينه سازي ارائه شده است، اما الگوريتم هاي بهينه سازي فرا اكتشافي به دليل سادگي محاسباتي، قابليت تطابق با حل مسائل مختلف بيشتر مورد توجه قرار گرفته اند. علي رغم موفقيت اين الگوريتم ها در حل مسائل بهينه سازي، چالش هايي مثل عدم همگرايي و قرار گيري در حداقل هاي محلي سبب شده است راهكارهايي جهت بهبود الگوريتم هاي بهينه سازي ارائه شود. الگوريتم بهينه ساز گرگ خاكستري يك الگوريتم قابل اعتماد در انتخاب ويژگي است، با اين حال به دليل قرار گيري در حدقل هاي محلي، انتخاب زير مجموعه بهينه از ويژگي ها، مخصوصا در پايگاه داده با كاربرد واقعي، نمي تواند راندمان خوبي در طبقه بندي داشته باشد. در اين مقاله با در نظر گرفتن ملزومات يك پايگاه داده واقعي، يك راه كار هوشمندانه براي بهبود عملكرد الگوريتم گرگ خاكستري با رويكرد انتخاب ويژگي ارائه شده است. روش پيشنهادي براي انتخاب ويژگي روي پايگاه داده واقعي بيماري هاي قلب جنين شبيه سازي شده است. نتايج ارزيابي در معيارهاي دقت، صحت، حساسايت، نرخ شناسايي و معيار F نشان از برتري روش پيشنهادي در كاربردهاي عملي دارد.