ارائه یک روش تکاملی جدید مبتنی بر باکتری برای حل مسئله انتخاب ویژگی

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز

چکیده

ابعاد عظیم داده به یکی از چالش برانگیزترین مسائل این روزها تبدیل شده است. ابعاد داده بالا، که به عنوان "نفرین ابعاد" شناخته می‌شود، الگوریتم‌های یادگیری ماشین را نیز به چالش می‌کشد. الگوریتم‌های انتخاب ویژگی‌ زیادی برای غلبه بر این مشکل پیشنهاد شده است. وجود داده‌های نامتوازن در برخی از برنامه‌ها، ضمن کاهش کارایی اکثر الگوریتم‌های انتخاب ویژگی، آن‌ها را به سمت کلاس با داده اکثریت سوق می‌دهد. هدف اصلی این مقاله ارائه یک الگوریتم جدید انتخاب ویژگی تکاملی مبتنی بر باکتری است که کارایی خود را در مواجهه با داده‌های نامتوازن حفظ می‌کند. روش پیشنهادی از عملگرهای جهش و تزریق هوشمند استفاده می‌کند که رفتار باکتری‌ها را شبیه‌سازی می‌کند. در این دو عملگر، باکتری‌های برتر بهترین ویژگی‌های برجسته خود را به باکتری‌های دیگر منتقل می‌کنند و عملگر جهش، آن ویژگی‌ها را با کمترین رتبه جایگزین می‌کند. عملگر نخبه‌گرایی با تزریق بهترین ویژگی‌ها به سایر اعضا سعی در بهبود اعضای آرشیو دارد. در مجموعه داده Isolet، روش پیشنهادی در مقایسه با روش‌های مرسوم، به ترتیب، به کاهش انتخاب ویژگی و افزایش دقت 43 و 7 درصد منجر می‌شود. همچنین، F-measure برای ارزیابی ویژگی‌های انتخاب شده استفاده می‌شود. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی در انتخاب تعداد ویژگی‌ها با توجه به خطای الگوریتم در مقایسه با روش‌های موجود عملکرد بهتری دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Introduce a new bacterial-based evolutionary algorithm to solve the feature selection problem

نویسندگان [English]

  • Mahmoud Parandeh
  • Mina Zolfy Lighvan
Faculty of Electrical and Engineering, University of Tabriz
چکیده [English]

In contemporary times, dealing with enormous data dimensions has emerged as a critical challenge. The "curse of dimensionality" due to high data dimensions poses a continuing challenge to machine learning algorithms. To overcome this problem, many feature selection algorithms have been proposed. However, the presence of imbalanced data in some applications limits the efficiency of most feature selection algorithms and pushes them towards the majority class. Therefore, this study introduces a new bacterial-based evolutionary feature selection algorithm that maintains its efficiency even in the case of imbalanced data. The proposed method employs intelligent mutation and injection operators, which simulate the behavior of bacteria. In these two operators, prior bacteria transfer their best-ranked and prominent features to other bacteria, and the mutation operator replaces those features with the lowest rank. The elitism operator aims to enhance archive members by injecting the best features into other members. The proposed method outperforms conventional methods in terms of feature selection reduction and accuracy enhancement by 43% and 7%, respectively, on the Isolet dataset. The selected features are evaluated using F-measure. The simulation results indicate that the proposed method performs better in selecting the number of features with respect to the algorithm's error compared to state-of-the-art methods.

کلیدواژه‌ها [English]

  • Evolutionary algorithm
  • feature selection
  • intelligent mutation
  • elitism
  • multi-objective optimization
  • bacterial algorithm