آموزش انتخاب ویژگی با استفاده از الگوریتم های فراابتکاری و تکاملی

انتخاب ویژگی با استفاده از الگوریتم‌های فراابتکاری و تکاملی چیست؟ مساله انتخاب ویژگی با استفاده از الگوریتم‌های فراابتکاری و تکاملی یا Feature Selection (و یا Feature Subset Selection) یکی از زیرمجموعه‌های مساله استخراج ویژگی یا Feature Extraction است و در حوزه‌های مختلف یادگیری ماشینی و داده‌کاوی مطرح می‌شود. هدف از حل این مساله، انتخاب یک مجموعه کوچک و معنادار از ویژگی‌ها است که در تصمیم‌گیری و پیش‌بینی دقیق‌تر عمل کند. اهمیت انتخاب ویژگی با استفاده از الگوریتم‌های فراابتکاری و تکاملی چیست؟ در حالت کلی مساله انتخاب ویژگی دارای راه‌حل قطعی نیست و تاکنون روشی دقیق برای حل آن پیشنهاد نشده است. رویکردهای مختلفی به صورت کلاسیک برای این مساله‌ها پیشنهاد شده‌اند که معمولا کیفیت پاسخ آن‌ها، به صورت عمومی چندان مناسب و مطلوب نیست. اما در مقابل، روش‌های بهینه‌سازی هوشمند می‌توانند در حل این مسائل، راه‌حل‌های به مراتب بهتری را ارائه نمایند. از این رو، یکی از روش‌های موثر و سازنده در مسیر حل مسائل انتخاب ویژگی و مسائل مرتبط با آن، استفاده از روش‌های بهینه‌سازی فراابتکاری و الگوریتم‌های تکاملی است. انتخاب ویژگی با استفاده از الگوریتم‌های فراابتکاری و تکاملی در بهبود دقت مدل، کاهش بعد داده، سرعت بالا، قابلیت استفاده در داده‌های بزرگ و پیچیده و بهبود قابلیت تفسیر کاربرد دارد. در این فرادرس چه چیزی و چگونه یاد می‌گیریم؟ در این مجموعه آموزشی، از الگوریتم‌های زیر برای حل مساله انتخاب ویژگی استفاده شده است: الگوریتم ژنتیک باینری یا GA بهینه‌سازی کلونی مورچگان یا ACO شبیه‌سازی تبرید یا SA بهینه‌سازی ازدحام ذرات یا PSO تکامل تفاضلی یا DE الگوریتم ژنتیک با مرتب‌سازی نامغلوب (نسخه دوم) یا NSGA - II در این فرادرس با نگرشی جامع، رویکردهای تکاملی و فراابتکاری برای حل مساله انتخاب ویژگی مورد بحث و بررسی واقع شده‌اند و در کنار مرور کامل بر مباحث تئوری و مفهومی، پیاده‌سازی عملی این روش‌ها، به صورت گام‌به‌گام در محیط متلب آموزش داده شده‌اند. از این رو، این آموزش می‌تواند به عنوان یک مرجع کاملا علمی و عملی، مورد استفاده دانشجویان و دانش‌پژوهان باشد.

فرادرس

سید مصطفی کلامی هریس