انتخاب ويژگي با استفاده از الگوريتم بهينه سازي ذرات مبتني بر استراتژي خود تطبيقي دودويي جهت تشخيص بيماري

Feature selection using particle optimization strategy based on binary self-adaptation strategy to diagnose disease

در زمينه پژوهش ريز‌آرايه‌ DNA، افزايش حجم نمونه و ابعاد ويژگي داده هاي بيان ژن، همواره يك مشكل چالش برانگيز بوده است . اين نوع از داده‌ها داراي ابعاد زياد و مقياس بزرگ هستند. درحالي كه تعداد كمي از داده‌هاي موجود براي تشخيص انواع بيماري‌ها نياز مي‌باشد، اما فضاي جستجو بسيار بزرگ مي‌باشد. انتخاب ويژگي يك تكنيك پيش پردازش داده مهم براي كاهش ابعاد و افزونگي داده‌هاي بيان ژن در طول فرايند طبقه بندي است. در اين مقاله يك مدل الگوريتم بهينه سازي ذرات دودويي جهت انتخاب ويژگي‌ها ارايه مي‌شود. ابتدا جمعيت را به دسته‌هاي مختلفي بطور تصادفي تقسيم، سپس در هر نسل ذرات مختلف به طور خودتطبيقي ، نمونه‌هاي يادگيري آنها با توجه به عملكرد ذرات ‌انتخاب مي‌شوند، سپس با استفاده از استراتژي سازگار با جمعيت، ذرات نامطلوب به طور تطبيقي حذف و ذرات با شايستگي بيشتر در طول روند تكاملي اضافه مي‌شود. در انتها پس از عمليات باينري، ويژگي‌هاي تاثير‌گذار انتخاب مي‌شوند. مدل پيشنهادي بر روي مجموعه داده پزشكي از مخزن دادگان UCIپياده سازي شده، و با روش‌هاي معتبر پيشين مورد ارزيابي و مقايسه قرار گرفته است.