استخراج ويژگي مبتني بر تفكيك پذيري بيشتر طبقه ها با استفاده از طبقه بندهاي كمكي

طبقه بندي يك روش يادگيري ماشين است كه براي پيش گويي برچسب يك نمونه خاص با كمترين خطا استفاده مي شود. در اين مقاله، از توانايي پيش گويي برچسب به كمك طبقه بند براي ايجاد ويژگي جديد استفاده شده است. امروزه روش هاي استخراج ويژگي زيادي مانند PCA و ICA وجود دارند كه در زمينه هاي مختلف بطور وسيع استفاده مي شوند و از هزينه بالاي انتقال به فضاي ديگر رنج مي برند. در روش پيشنهادي، هدف اين است كه به كمك ويژگي جديد، قدرت تفكيك پذيري بيشتري بين كلاس هاي مختلف ايجاد شود و داده‌هاي درون كلاس ها به يكديگر نزديك تر و تمايز بيشتري بين داده‌هاي كلاس هاي مختلف بوجود آيد تا كارايي طبقه بندها افزايش يابد. ابتدا به كمك يك يا چند طبقه بند، برچسب پيشنهادي براي مجموعه داده اوليه تعيين و بعنوان ويژگي جديد به مجموعه داده اوليه اضافه مي شود. ايجاد مدل به كمك مجموعه داده جديد انجام مي شود. ويژگي جديد براي مجموعه داده آموزش و تست بصورت جداگانه بدست آورده مي شود. آزمايش ها بر روي 20 مجموعه داده استاندارد انجام شده و نتايج روش پيشنهادي با نتايج دو روش بيان شده در كارهاي مرتبط نيز مقايسه شده است. نتايج حاصل نشان مي دهد كه روش پيشنهادي به طورقابل توجهي باعث بهبود دقت طبقه بندي شده است. در بخش دوم آزمايشات، براي بررسي ميزان موثر بودن روش پيشنهادي، قدرت تفكيك پذيري ويژگي جديد بر اساس دو معيار بهره اطلاعاتي و شاخص جيني بررسي شده است. نتايج نشان مي دهد كه ويژگي به دست آمده در روش پيشنهادي در بيشتر موارد داراي بهره اطلاعاتي بيشتر و شاخص جيني كمتري است، زيرا بي نظمي كمتري دارد. در ادامه، جهت جلوگيري از افزايش ابعاد داده، ويژگي استخراج شده با بيشترين بار اطلاعاتي، جايگزين ويژگي با كمترين بار اطلاعاتي شده است. نتايج اين مرحله نيز بيانگر افزايش ميزان كارايي مي باشد.