ترجمه مقاله Semisupervised Feature Selection Based on

دانلود ترجمه آماده مقاله Semisupervised Feature Selection Based on Relevance and Redundancy Criteria با عنوان یک روش نیمه نظارت شده و مبتنی بر معیار های افزونگی و ارتباط، به منظور گزینش ویژگی

ترجمه مقالهSemisupervised Feature Selection Based on

ترجمه بخش چکیده مقاله :

در مسئله ی انتخاب یا گزینش ویژگی به دنبال آن هستیم تا بتوانیم ویژگی‌های موجود و مرتبط بهم در یک دسته بندی را پیدا کرده، با این هدف که بتوان کارائی دسته‌بندی را بهبود داده و ویژگی‌های تکراری در دسته بندی را حذف نموده و در نهایت بتوان هزینه‌های محاسباتی را کاهش داد. چگونگی ایجاد یک توازن در بین این دو فاکتور را می‌توان یک چالش دانست، مخصوصا در شرایطی که به دست آوردن برچسب‌های قطعی برای این ویژگی ها هزینه بر باشد. در این مقاله قصد داریم از روش یادگیری نیمه نظارت شده برای حل این مسئله استفاده نماییم و همچنین به ارائه‌ی یک معیار افزونگی-حداقلی و ارتباط-حداکثری که مبتنی بر ضریب همبستگی پوآسن (RRPC) می‌باشد بپردازیم. در این روش جدید از یک تکنیک جستجوی افزایشی برای گزینش زیر مجموعه‌ای از ویژگی‌های بهینه استفاده می‌شود. ویژگی‌های انتخابی جدید از ارتباطی قوی با برچسب ها برخوردار می‌باشند (البته در مد نظارت شده) و همچنین جلوی افزونگی زیر مجموعه ویژگی‌های انتخابیِ تحت محدودیت‌های نظارت نشده گرفته می‌شود. مطالعاتی مقایسه ای را بر روی داده‌های باینری و داده‌های چند دسته‌ای که از مجموعه داده‌ای بنچ مارک به دست آمد انجام دادیم. نتایج نشان می‌دهد که روش پیشنهادی RRPC می‌تواند به توازن مطلوبی در بین خصیصه‌های ارتباط و افزونگی در تکنیک گزینش ویژگی نیمه نظارت شده دست پیدا کند. همچنین به مقایسه‌ی تکنیک RRPC با معیارهای کلاسیکی گزینش ویژگی نظارت شده (مانند mRMr و مقیاس فیشر)، معیارهای گزینش ویژگی نیمه نظارت شده (مانند امتیاز لاپلاس) و معیارهای گزینش ویژگی نیمه نظارت شده (مانند حساسیت محلی و sSelect) می‌پردازیم. نتایجِ حاصل از آزمایش ها نشان از بهره‌وری روش پیشنهادی ما دارد.

بخش لاتین چکیده مقاله :

Abstract—Feature selection aims to gain relevant features for improved classification erformance and remove redundant features for reduced computational cost. How to alance these two factors is a problem especially when the categorical labels are costly to btain. In this paper, we address this problem using semisupervised learning method and ropose a maxrelevance and min-redundancy criterion based on Pearson’s correlation RRPC) coefficient. This new method uses the incremental search technique to select ptimal feature subsets. The new selected features have strong relevance to the labels in pervised manner, and avoid redundancy to the selected feature subsets under nsupervised constraints. Comparative studies are performed on binary data and ulticategory data from benchmark data sets. The results show that the RRPC can achieve a ood balance between relevance and redundancy in semisupervised feature selection. e lso compare the RRPC with classic supervised feature selection criteria (such as mRMR and isher score), unsupervised feature selection criteria (such as Laplacian score), and emisupervised feature selection criteria (such as sSelect and locality sensitive). xperimental results demonstrate the effectiveness of our method

مشخصات فایل ترجمه مقاله :