مسأله انتخاب ویژگی یا Feature Selection (و یا Feature Subset Selection) یکی از زیر مجموعه های مسأله استخراج ویژگی یا Feature Extraction است و در حوزه های مختلف یادگیری ماشینی و داده کاوی مطرح می شود. در حالت کلی این مسأله دارای راه حل قطعی نیست و تا کنون روشی دقیق برای حل آن پیشنهاد نشده است. رویکردهای مختلفی به صورت کلاسیک برای این مسأله ها پیشنهاد شده اند که معمولا کیفیت پاسخ آن ها، به صورت عمومی چندان مناسب و مطلوب نیست.

در این مجموعه آموزشی، سعی شده است با نگرشی جامع، رویکردهای تکاملی و فرا ابتکاری برای حل مسأله انتخاب ویژگی مورد بحث و بررسی واقع شده اند و پیاده سازی عملی این روش ها، به صورت گام به گام در محیط متلب آموزش داده شده اند.

 

در این مجموعه آموزشی، از الگوریتم های زیر برای حل مسأله انتخاب ویژگی استفاده شد است:

• الگوریتم ژنتیک باینری یا GA
• بهینه سازی کلونی مورچگان یا ACO
• شبیه سازی تبرید یا SA
• بهینه سازی ازدحام ذرات یا PSO
• تکامل تفاضلی یا DE
• الگوریتم ژنتیک با مرتب سازی نا مغلوب (نسخه دوم) یا NSGA-II

 

 

 

مسأله انتخاب ویژگی یا Feature Selection (و یا Feature Subset Selection) یکی از زیر مجموعه های مسأله استخراج ویژگی یا Feature Extraction است و در حوزه های مختلف یادگیری ماشینی و داده کاوی مطرح می شود. در حالت کلی این مسأله دارای راه حل قطعی نیست و تا کنون روشی دقیق برای حل آن پیشنهاد نشده است. رویکردهای مختلفی به صورت کلاسیک برای این مسأله ها پیشنهاد شده اند که معمولا کیفیت پاسخ آن ها، به صورت عمومی چندان مناسب و مطلوب نیست.

در این مجموعه آموزشی، سعی شده است با نگرشی جامع، رویکردهای تکاملی و فرا ابتکاری برای حل مسأله انتخاب ویژگی مورد بحث و بررسی واقع شده اند و پیاده سازی عملی این روش ها، به صورت گام به گام در محیط متلب آموزش داده شده اند. در این مجموعه آموزشی، از الگوریتم های زیر برای حل مسأله انتخاب ویژگی استفاده شد است:

• الگوریتم ژنتیک باینری یا GA
• بهینه سازی کلونی مورچگان یا ACO
• شبیه سازی تبرید یا SA
• بهینه سازی ازدحام ذرات یا PSO
• تکامل تفاضلی یا DE
• الگوریتم ژنتیک با مرتب سازی نا مغلوب (نسخه دوم) یا NSGA-II

 

مطالب و نکات آموزشی مورد اشاره در این آموزش، توسط دکتر سیدمصطفی کلامی هریس (فارغ التحصیل دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیر) ارائه شده اند، و همه موارد مطرح شده، در کنار مرور کامل بر مباحث تئوری و مفهومی، به صورت کاملا عملی و گام به گام، پیاده شده اند، و از این رو، این آموزش می تواند به عنوان یک مرجع کاملا علمی و عملی، مورد استفاده دانشجویان و دانش پژوهان باشد.

 

 

سرفصل های مهم در این فیلم آموزشی عبارتند از:

• بیان ریاضی مسأله انتخاب ویژگی به صورت یک مسأله بهینه سازی
• بحث بر روی توابع هدف مطرح در مسأله بهینه سازی
• بیان مسأله انتخاب به سه صورت مختلف
  • انتخاب ویژگی با تعداد ویژگی انتخابی نامعلوم
  • انتخاب ویژگی با تعداد ویژگی مطلوب از پیش تعیین شده و معلوم
  • انتخاب ویژگی به صورت چند هدفه
• پیاده سازی گام به گام حل مسأله انتخاب ویژگی با تعداد نامعلوم
  • انتخاب ویژگی با استفاده از الگوریتم ژنتیک باینری برای رگرسیون با استفاده از شبکه عصبی
• پیاده سازی گام به گام حل مسأله انتخاب ویژگی با تعداد از پیش تعیین شده و معلوم
  • کدینگ گسسته به صورت مسأله بهینه سازی جایگشتی یا Permutation
    • انتخاب ویژگی با استفاده از الگوریتم مورچگان برای رگرسیون با استفاده از شبکه عصبی
    • انتخاب ویژگی با استفاده از الگوریتم شبیه سازی تبرید برای رگرسیون با استفاده از شبکه عصبی
  • کدینگ پیوسته با استفاده تکنیک کلید تصادفی یا Random Key
    • انتخاب ویژگی با استفاده از الگوریتم بهینه سازی ازدحام ذرات یا PSO برای رگرسیون با استفاده از شبکه عصبی
    • انتخاب ویژگی با استفاده از الگوریتم تکامل تفاضلی برای رگرسیون با استفاده از شبکه عصبی
• پیاده سازی گام به گام حل مسأله انتخاب ویژگی به صورت چند هدفه
  • حل مسأله انتخاب ویژگی چند هدفه با استفاده از تکنیک تجزیه به چندین مسأله تک هدفه
    • انتخاب ویژگی چندهدفه با استفاده از الگوریتم PSO با اجرای چند باره
  • حل مسأله انتخاب ویژگی چند هدفه با استفاده از رویکردهای چند هدفه تکاملی
    • انتخاب ویژگی چندهدفه با استفاده از الگوریتم ژنتیک چند هدفه NSGA-II
  • پیاده سازی رویکردهای مورد اشاره برای انتخاب ویژگی در طبقه بندی با استفاده از شبکه عصبی
    • با استفاده از یکی دیتاست های شناخته شده NIPS به نام MADELON با ۵۰۰ ویژگی (ورودی)

 

 

 برای مشاهده جزئیات و تهیه آموزش فرادرس فیلم آموزشی انتخاب ویژگی با استفاده از الگوریتم های فرا ابتکاری و تکاملی به این لینک (+) مراجعه نمایید.