کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4969901 | 1449983 | 2017 | 52 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A Survey on semi-supervised feature selection methods
ترجمه فارسی عنوان
یک نظرسنجی در مورد روش های انتخاب ویژگی های نیمه نظارت
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
یادگیری نیمه نظارتی، انتخاب ویژگی، نظر سنجی،
ترجمه چکیده
انتخاب ویژگی یک وظیفه مهم در زمینه داده کاوی و برنامه های کاربردی یادگیری ماشین است که ویژگی های نامناسب و غیرفعال را حذف می کند و عملکرد یادگیری را بهبود می بخشد. در بسیاری از برنامه های دنیای واقعی، جمع آوری اطلاعات برچسب دار دشوار است، در حالی که اطلاعات غلط بدون برچسب به راحتی قابل دسترسی هستند. این پژوهشگران انگیزه می گیرند تا روش های انتخابی نیمه نظارتی را که به منظور ارزیابی ویژگی ها از داده های برچسب دار و بدون برچسب استفاده می کنند، توسعه دهند. با این حال، تا به امروز، هیچ نظرسنجی جامع از روش های انتخاب نیمه نظارتی وجود ندارد. در این مقاله، روش های انتخاب ویژگی نیمه نظارتی به طور کامل مورد بررسی قرار می گیرند و دو طبقه بندی این روش ها بر اساس دو دیدگاه متفاوت ارائه می شود که نشان دهنده ساختار سلسله مراتبی روش های انتخابی نیمه نظارت است. اولین دیدگاه مبتنی بر طبقه بندی پایه ای از روش های انتخاب ویژگی است و دوم بر اساس طبقه بندی روش های نیمه نظارتی یادگیری است. این نظرسنجی می تواند برای یک محقق مفید باشد تا زمینه ای عمیق در روش های انتخاب نیمی از نظارت انتخاب شود و یک روش مناسب انتخاب ویژگی نیمه نظارت بر اساس ساختار سلسله مراتبی آنها انتخاب شود.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
Feature selection is a significant task in data mining and machine learning applications which eliminates irrelevant and redundant features and improves learning performance. In many real-world applications, collecting labeled data is difficult, while abundant unlabeled data are easily accessible. This motivates researchers to develop semi-supervised feature selection methods which use both labeled and unlabeled data to evaluate feature relevance. However, till-to-date, there is no comprehensive survey covering the semi-supervised feature selection methods. In this paper, semi-supervised feature selection methods are fully investigated and two taxonomies of these methods are presented based on two different perspectives which represent the hierarchical structure of semi-supervised feature selection methods. The first perspective is based on the basic taxonomy of feature selection methods and the second one is based on the taxonomy of semi-supervised learning methods. This survey can be helpful for a researcher to obtain a deep background in semi-supervised feature selection methods and choose a proper semi-supervised feature selection method based on the hierarchical structure of them.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 64, April 2017, Pages 141-158
Journal: Pattern Recognition - Volume 64, April 2017, Pages 141-158
نویسندگان
Razieh Sheikhpour, Mehdi Agha Sarram, Sajjad Gharaghani, Mohammad Ali Zare Chahooki,