بهبود دقت طبقه بندی با استفاده از روش های انتخاب خصیصه ی ترکیبی

در سال های اخیر، کاراتر سازی روش های انتخاب خصیصه به صورت رو به رشد مورد توجه بوده اند. تحقیقات انجام شده به منظور کاهش هزینه ی محاسبات و همچنین کاهش ریسک تطابق بیش از حد مطالعه شده اند. در راستای کاهش بعد خصیصه ها از بین همه ی الگوریتم -ها روش های پیشرونده به دلیل هزینه ی محاسباتی کم بسیار کارا هستند. در این رساله دو الگوریتم پیشرونده ی جدید بر اساس مقدار افزایش اطلاعاتی که با حضور هر خصیصه خواهیم داشت ارائه شده است. این الگوریتم ها سعی دارند خصیصه های حاوی بیشترین اطلاعات را یافته و انتخاب کنند. از طرف دیگر با غلبه بر محدودیت های الگوریتم های ترتیبی پیشرونده و پسرونده سعی می کنند زیرمجموعه ای را انتخاب کنند که خصیصه های آن بیشترین استقلال را داشته باشند. برای بررسی میزان خوبی خصیصه هایی که انتخاب می شوند از طبقه بندی کننده ی نزدیکترین همسایه استفاده شده است. این طبقه بند وابسته به معیار فاصله ای که برای یافتن نزدیکترین همسایه به کار می برد می باشد. در همین راستا یک نسخه ی تصحیحی برای حذف این وابستگی پیشنهاد شده است که از رای گیری بین سه فاصله نتیجه ی خود را برای نمونه ی آزمایشی اعلام می کند. نتایج، بهبود قابل توجه صحت طبقه بندی نسبت به روش های شناخته شده راروی داده های uci نشان می دهند. دلیل این بهبود، کارایی الگوریتم های جدید معرفی شده است و از سویی دیگر طبقه بند پیشنهادی تصمیم پایدارتر و ثابت تری در انتخاب کلاس نمونه ی آموزشی نسبت به نسخه ی استاندارد آن می گیرد. در یک آزمایش دیگر روش های پیشنهادی در تشخیص دو دسته بیماری روانی ( دو قطبی و اسکیزوفرنی) که در پزشکی تشخیص کمّی روی آن ها وجود ندارد به کار برده شده است.این مطالعه آماری روی این دو بیماری برای اولین بار ارائه شده است.