A general feature-weighting function for classification problems

مقیاس ویژگی یک گامی حیاتی در وظایف یادگیری ماشین است که برای تقریب به درجه مطلوب نفوذ ویژگی های فردی استفاده می شود. از آنجا که ویژگی های یک ویژگی را می توان با نمایش های مختلف تغییر داد، اکثر روش های موجود به اندازه کافی حساس نیستند تا بتوانند اثربخشی ویژگی ها را توضیح دهند. ما وزنهای پویا را پیشنهاد می کنیم، که به صورت پویا حساس به کارایی ویژگی ها هستند. به منظور دستیابی به این هدف، ما پیشنهاد می کنیم یک تابع وزن دهی ویژگی های متمایز که به صورت پویا وزن مناسب را برای هر ویژگی اختصاص داده، بر اساس ارزش های مشخصی از پرس و جو و نمونه. تابع وزن بندی پیشنهادی، که پسوند کار قبلی ما است، برای هر دو مسئله وزن یک مودال و چند مدال مناسب است و از این رو، به عنوان یک تابع توزیع عمومی اشاره می شود. تعداد پارامترهای عملکرد وزن پیشنهاد شده کمتر در مقایسه با روش های معمول وزن است. برای نشان دادن عملکرد تابع وزن کلی، ما یک الگوریتم طبقه بندی را بر اساس مفهوم وزنهای پویا پیشنهاد کردیم که برای یک الگوریتم نزدیکترین همسایه بهینه شده است. نتایج تجربی نشان می دهد که روش پیشنهادی از روش های وزن گذاری معمول عادی بهتر است.