کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6938796 1449966 2018 40 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A heuristic based dependency calculation technique for rough set theory
ترجمه فارسی عنوان
یک روش محاسبه وابستگی مبتنی بر اکتشافی برای نظریه مجموعه خشن
کلمات کلیدی
نظریه مجموعه خشن، محاسبه وابستگی اکتشافی، کاهش می یابد، وابستگی، منطقه مثبت،
ترجمه چکیده
انتخاب ویژگی فرآیند انتخاب زیر مجموعه ای از ویژگی هایی است که هنوز هم حداکثر مقدار اطلاعاتی را که در کل مجموعه ای از ویژگی های شرطی ارائه می شود، ارائه می دهد. تا کنون بسیاری از رویکردها برای این منظور در ادبیات ارائه شده است. اخیرا رویکردهای مبتنی بر رویکرد غالب شده است. اکثر این روش ها از وابستگی به ویژگی برای تعیین اهمیت ویژگی ها استفاده می کنند. مشکل این اندازه گیری این است که از محدوده مثبت برای محاسبه وابستگی استفاده می کند که کار محاسباتی گران است. به عنوان یک نتیجه، عملکرد الگوریتم های انتخاب ویژگی با استفاده از این اندازه گیری کاهش می یابد. در این مقاله، ما یک روش محاسبه وابستگی مبتنی بر اکتشافی جدید را با اجتناب از منطقه مثبت پیشنهاد کردیم. روش پیشنهادی با پیدا کردن سوابق سازگار در مورد هر طبقه تصمیم گیری در مجموعه داده ها، از یک روش اکتشافی استفاده می کند. با استفاده از این روش، ما می توانیم وابستگی را با اجتناب از منطقه مثبت محاسبه کنیم، که در نهایت باعث افزایش کارایی محاسباتی الگوریتم انتخاب ویژگی اساسی می شود، بنابراین می توان آن را برای مجموعه داده ها فراتر از اندازه های کوچکتر استفاده کرد. برای محاسبه وابستگی با استفاده از روش پیشنهادی، از یک شبکه دو بعدی به عنوان ساختار داده میانجی استفاده کردیم. تعدادی از الگوریتم های انتخاب ویژگی با راه حل پیشنهادی در مجموعه های مختلف موجود قابل دسترسی برای توجیه آن استفاده شده است. برای مقایسه راه حل پیشنهاد شده با روشهای متعارف، یک چارچوب مقایسه استفاده شد. نتایج راه حل پیشنهادی را از لحاظ کارایی و اثربخشی آن توجیه کرده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
یک روش محاسبه وابستگی مبتنی بر اکتشافی برای نظریه مجموعه خشن
چکیده انگلیسی
Feature selection is the process of selecting subset of features that still provide maximum amount of the information that otherwise is provided by the entire set of conditional attributes. Many approaches have been proposed so far in literature for this purpose. Recently the rough set based approaches have become dominant. Majority of these approaches use attribute dependency to find significance of attributes. Problem with this measure is that it uses positive region to calculate dependency which is a computationally expensive job. As a consequence, it degrades the performance of the feature selection algorithms using this measure. In this paper, we have proposed a new heuristic based dependency calculation technique by avoiding the positive region. The proposed method uses a heuristics approach by finding the consistent records regarding each decision class in the dataset. Using this method, allows us to calculate dependency by avoiding the positive region, which ultimately enhances the computational efficiency of the underlying feature selection algorithm thus enabling it to be used for dataset beyond smaller size. In order to calculate dependency by using the proposed method, we have used a two-dimensional grid as intermediate data structure. Number of feature selection algorithms were used with proposed solution on various publically available datasets to justify it. A comparison framework was used to compare the proposed solution with conventional methods. Results have justified the proposed solution both in terms of its efficiency and effectiveness.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 81, September 2018, Pages 309-325
نویسندگان
, ,