Membership-margin based feature selection for mixed type and high-dimensional data: Theory and applications

در این مقاله، یک روش ارزش گذاری جدید بر اساس حاشیه عضویت ارائه شده است. خصوصیات متمایز از روش پیشنهادی شامل توانایی آن برای پردازش مشکلات مشخص شده با داده های نوع مخلوط (کمی، کیفی و فواصل) و همچنین تعداد زیادی از ویژگی های. ایده اصلی این است که به طور همزمان همه ویژگی های انواع مختلف را به یک فضای مشترک تبدیل کنیم؛ فضای عضویت هنگامی که تمام ویژگی ها در یک فضای همگن نمایش داده می شود، یک کار ارزیابی ویژگی می تواند به صورت یکپارچه انجام شود. این روش وزن دهی در یک طبقه بندی فازی با استفاده از مفهوم وزن قانون قانون فازی برای بهبود عملکرد آن یکپارچه شده است. هر فازی پیشین در قوانین فازی اگر و پس از آن وزن داده شود، اهمیت هر گزاره را مشخص می کند و بنابراین ویژگی متفاوتی دارد. فرایند برآورد وزن بر اساس حداکثر سازی حاشیه عضو برای تخمینی یک وزن فازی از هر ویژگی در فضای عضویت است. آزمایشات در مجموعه داده های دنیای دنیای کم و ابعادی نشان می دهد که رویکرد پیشنهادی می تواند به طور قابل توجهی بهبود عملکرد مبتنی بر قاعده فازی و دیگر حالت های طبقه بندی هنری را بهبود بخشد و حتی می تواند رویکردهای وزن گذاری کلاسیک را بهتر کند. به طور خاص، ما نشان می دهیم که این روش می تواند نتایج معنی داری در دو کاربرد واقعی در زمینه پیش آگهی سرطان و تشخیص پروسه های صنعتی داشته باشد.