ارائه يك چارچوب توزيع شده براي انتخاب ويژگي چندمتغيره

در بسياري از مسائل يادگيري ماشين، انتخابِ ويژگي هاي مرتبط و اجتناب از ويژگي هاي افزونه، براي بهبود كارايي انتخاب ويژگي ضروري است. در اكثر رويكردهاي موجود، از الگوريتم هاي فيلتر چندمتغيره براي اين منظور استفاده مي شود كه در آن ها تعامل با طبقه بند ناديده گرفته مي شود. اين مقاله با ارائه يك چارچوب، تركيب روش هاي نهفته با روش هاي  فيلتر چندمتغيره را پيشنهاد مي دهد تا با درنظر گرفتن تعامل با طبقه بند در انتخاب ويژگي ها، اين مشكل را برطرف نمايد. در چارچوب پيشنهاد شده، ارتباط بين هر ويژگي و برچسب هاي كلاس توسط الگوريتم هاي نهفته محاسبه مي شود و افزونگي بين ويژگي ها از طريق الگوريتم هاي فيلتر چندمتغيره بررسي مي شود. اين چارچوب پيشنهادي، دقت طبقه بندي را روي چندين مجموعه داده بهبود داده است. به علاوه در فرايند انتخاب ويژگي پيشنهاد شده، بجاي استفاده يكدفعه  از همه مجموعه داده ها، از توزيع افقي آن ها استفاده شده است. اين خصوصيت براي مجموعه داده هايي كه داراي نمونه هاي زيادي هستند و نيز در محيط هايي كه داده ها  متمركز نيستند، باعث كاهش زمان اجراي فرايند انتخاب ويژگي شده است. كيفيت روش ما با استفاده از شش مجموعه داده ارزيابي شده است. نتايج ثابت مي كنند كه چارچوب پيشنهاد شده، مي تواند دقت طبقه بندي را در مقايسه با روش هاي صرفا مبتني بر فيلتر چندمتغيره بهبود دهد. همچنين سرعت اجرا مي تواند در مقايسه با روش هاي متمركز بهبود يابد.