این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۸، شماره ۲، صفحات ۲۹-۴۴
عنوان فارسی استخراج ویژگی مبتنی بر تفکیک‌پذیری بیشتر رده‌ها با استفاده از طبقه‌‌‌بندهای کمکی
چکیده فارسی مقاله طبقه‌­بندی یک روش یادگیری ماشین است که برای پیش­‌گویی برچسب یک نمونه خاص با کمترین خطا استفاده می‌­شود. در این مقاله، از توانایی پیش‌­گویی برچسب به‌کمک طبقه‌­بند برای ایجاد ویژگی جدید استفاده شده­ است. امروزه روش‌­های استخراج ویژگی زیادی مانند PCA و ICA وجود دارند که در زمینه­‌های مختلف به­‌طور وسیع استفاده می‌شوند و از هزینه بالای انتقال به فضای دیگر رنج می‌برند. در روش پیشنهادی، هدف این است که به‌کمک ویژگی جدید، قدرت تفکیک‌­پذیری بیشتری بین رده‌­های مختلف ایجاد شود و داده‌های درون رده‌­ها به یکدیگر نزدیک‌­تر و تمایز بیشتری بین داده‌های رده‌­های مختلف به وجود آید تا کارایی طبقه‌­بندها افزایش یابد. ابتدا به‌کمک یک یا چند طبقه‌­بند، برچسب پیشنهادی برای مجموعه‌­داده­ اولیه تعیین و به‌عنوان ویژگی جدید به مجموعه‌داده اولیه اضافه می­‌شود. ایجاد مدل به‌کمک مجموعه‌داده جدید انجام می­‌شود. ویژگی جدید برای مجموعه‌داده آموزش و آزمون به‌صورت جداگانه به‌دست آورده می­‌شود. آزمایش‌­ها بر روی بیست مجموعه­‌داده استاندارد انجام شده و نتایج روش پیشنهادی با نتایج دو روش بیان‌شده در کارهای مرتبط نیز مقایسه شده است. نتایج نشان می­‌دهد که روش پیشنهادی به‌طور قابل توجهی باعث بهبود دقت رده‌بندی شده است. در بخش دوم آزمایش‌ها، برای بررسی میزان مؤثر‌بودن روش پیشنهادی، قدرت تفکیک‌­پذیری ویژگی جدید بر اساس دو معیار بهره اطلاعاتی و شاخص جینی بررسی شده ­است. نتایج نشان می­‌دهد که ویژگی به‌دست‌‌آمده در روش پیشنهادی در بیشتر موارد دارای بهره اطلاعاتی بیشتر و شاخص جینی کمتری است، زیرا بی‌­نظمی کمتری دارد. در ادامه، جهت جلوگیری از افزایش ابعاد داده، ویژگی استخراج‌شده با بیش‌ترین بار اطلاعاتی، جایگزین ویژگی با کم‌ترین بار اطلاعاتی شده­ است. نتایج این مرحله نیز بیان‌گر افزایش میزان کارایی است.
کلیدواژه‌های فارسی مقاله استخراج ویژگی، طبقه‌بندی، بهره اطلاعاتی، شاخص جینی
عنوان انگلیسی Feature extraction based on the more resolution of the classes using auxiliary classifiers
چکیده انگلیسی مقاله Classification is a machine learning method used to predict a particular sample's label with the least error. The present study was conducted using label prediction ability with the help of a classifier to create a new feature. Today, there are several feature-extraction methods like principal component analysis (PCA) and independent component analysis (ICA) that are widely used in different fields; however, they all suffer from the high cost of transferring to another space. The purpose of the proposed method was to create a higher distinction between various classes using the new feature in a way that, make the data in the classes closer to each other. As a result, for increasing the efficiency of classifiers, more differentiation is created between the data of various classes. Firstly, the suggested labels for the primary data set were determined using one or more classifiers and added to the primary data set as a new feature. The model was created using a new data set. The new feature for training and testing data sets was provided separately. The tests were performed on 20 standard data sets and the results of the proposed method were compared with those of the two methods described in the related studies. The outputs indicated that the proposed method has significantly improved the classification accuracy. In the second part of the tests, the resolution of the new feature was examined according to two criteria, namely Information Gain and Gini Index, for examining the effectiveness of the proposed method. The results showed that the feature obtained in the proposed method has higher Information Gain and lower Gini Index in most cases, as it has less irregularity. To prevent the increase in data dimensions, the feature with the least Information Gain was replaced with the feature extracted with the most Information Gain. The results of this step showed an increase in efficiency as well.
کلیدواژه‌های انگلیسی مقاله Feature extraction, classification, information gain, Gini index
نویسندگان مقاله حمیدرضا غفاری | Hamid Reza Ghaffari
Department of Computer Engineering,Department of Computer Engineering, University of Ferdows, Ferdows, Iran
دانشگاه آزاد اسلامی فردوس

آتنا جلالی مجاهد | Atena Jalali Mojahed
Department of Computer Engineering,Department of Computer Engineering, University of Ferdows, Ferdows, Iran
دانشگاه آزاد اسلامی فردوس

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1771-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش داده‌های رقمی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات